Geometric Data Perturbation with Noisy-Anchor Alignment for Privacy-Preserving Collaborative Learning
本文研究隐私保护的协作学习场景。在GDP框架下，各参与方对私有数据应用距离保持变换，仅上传变换后的表示给中央分析者，以实现一次性协作学习。然而，在分析者与部分参与方共谋时，分析者可利用共谋者披露的数据与变换，结合所有上传表示，尝试恢复非共谋
#collaborative-learning
共收录 3 条相关情报。
← 返回所有主题Fairis: Fairness-Aware Aggregation with Provable Influence Containment against Fairness Poisoning Attacks in Collaborative Machine Learning
协作机器学习允许金融机构在不直接共享数据的情况下共同训练模型，但必须同时满足群体公平性和对抗鲁棒性。然而，现有的公平性感知聚合方法在形式上容易受到“公平性投毒”攻击：恶意客户端可以在保持模型准确性的同时最大化群体差异（例如不同组间的等机会差
Pencil: Private and Extensible Collaborative Learning without the Non-Colluding Assumption.
本文针对协作式神经网络训练中日益突出的数据隐私挑战展开研究。传统方法如联邦学习（FL）完全忽略模型隐私，而同态加密（HE）只能支持单一数据提供方，扩展性受限。现有的安全多方计算（MPC）框架虽能提供合理吞吐并同时保护数据与模型隐私，却严重依