S-BDT: Distributed Differentially Private Boosted Decision Trees.
本文提出 S-BDT，一种新颖的 (ε, δ)-差分隐私分布式梯度提升决策树（GBDT）学习器。研究核心问题是在分布式机器学习环境中，如何在不牺牲模型效用（如准确率或回归误差）的前提下，增强对单个训练数据点的隐私保护。传统差分隐私方法通常通
#privacy-preserving-machine-learning
共收录 13 条相关情报。
← 返回所有主题Certified in Theory, Broken in Practice: Assumption Gaps in Cryptographic Model Certification
本文研究了密码学模型认证（CMC）协议中的安全假设与实际部署之间的差距。隐私保护的机器学习审计协议允许审计员评估模型的准确性或公平性，而无需暴露模型内部或训练数据，因此特别适用于医疗、金融等敏感领域。然而，现有安全定义通常仅保证模型在固定审
Federated Learning Architecture: Data Privacy and System Security Approaches
该研究针对联邦学习（FL）系统中的数据隐私与安全性问题，提出了一种结合同态加密（HE）和差分隐私（DP）的架构。联邦学习允许数据保留在本地设备上，避免了集中式数据收集，但模型更新过程中仍可能泄露敏感信息。同态加密使得在加密数据上直接进行计算
SortingHat: Efficient Private Decision Tree Evaluation via Homomorphic Encryption and Transciphering.
本文提出SortingHat，一种高效的私有决策树评估（PDTE）方案，利用同态加密（HE）和转译（transciphering）技术，解决现有PDTE方案在通信复杂度和计算效率上的瓶颈。传统方法中，客户端需对每个决策节点发送加密查询，导致
Hyena: Balancing Packing, Reuse, and Rotations for Encrypted Inference.
本文提出 Hyena，一个针对同态加密（HE）下深度神经网络推理进行优化的硬件-软件协同框架。针对云服务中用户数据隐私保护需求，HE 允许在加密数据上直接计算，但计算和数据移动开销巨大。Hyena 采用混合 HE 与多方计算（MPC）方案，
Jaguar: Fast Private CNN Inference with Power-of-Two Homomorphic Arithmetic
本文提出 Jaguar，一种用于加速私有卷积神经网络（CNN）推理的新型混合同态加密/两方安全计算（HE/2PC）系统。现有混合协议的性能瓶颈主要来自两个方面：一是使用素数模数同态算术进行卷积操作，这需要基于NTT的多项式乘法，开销较大；二
pMPL: A Robust Multi-Party Learning Framework with a Privileged Party.
本文针对传统基于安全多方计算的隐私保护机器学习（MPL）通常采用点对点架构，各方平等且都能揭示输出结果，但实际业务场景往往需要层次化架构，其中存在一个特权方领导机器学习任务，只有特权方才能揭示最终模型，即使其他辅助方合谋也无法获取模型。此外
Practical Anonymous Two-Party Gradient Boosting Decision Tree
本文研究的是在两方垂直分割数据上训练梯度提升决策树（GBDT）的隐私保护问题。GBDT在金融和医疗等领域广泛应用，但传统安全计算方法（如基于私有集合交集PSI）会暴露双方共享的记录标识符（IDs），存在隐私泄露风险。本文首次提出匿名GBDT
FLUTE: Fast and Secure Lookup Table Evaluations.
本文提出FLUTE协议，用于安全多方计算（MPC）中快速且安全的查找表（LUT）评估。传统的布尔电路在安全计算中存在较大的在线阶段开销，而查找表可以替代传统门电路（如AND、XOR），生成更紧凑的电路，并显著提升在线性能。已有工作利用LUT
Deep Learning under Fractional-Order Differential Privacy
本文提出了一种新的差分隐私随机梯度下降（DP-SGD）变体，称为分数阶差分隐私随机梯度下降（FO-DP-SGD）。传统的DP-SGD通过逐样本裁剪、子采样、高斯扰动和隐私会计来保护隐私，每步只释放当前裁剪并加噪的梯度求和。FO-DP-SGD
Convergent Privacy Framework for Multi-layer GNNs through Contractive Message Passing.
本文提出CARIBOU框架，一种面向多层图神经网络的隐私保护方案。核心创新在于将收缩图层（Contractive Graph Layer, CGL）与收敛隐私会计相结合，实现边缘级差分隐私（EDP）和节点级差分隐私（NDP）下的深度聚合，同
PrivORL: Differentially Private Synthetic Dataset for Offline Reinforcement Learning.
该论文提出了PrivORL，这是首个将差分隐私（DP）应用于离线强化学习（RL）数据集合成的方法。离线RL通过共享预收集的轨迹或过渡数据来训练智能体，避免与环境的直接交互，在导航等关键任务中有效。然而，数据集可能包含敏感信息，存在隐私泄露风
Privacy Preserving Machine Learning Workflow: from Anonymization to Personalized Differential Privacy Budgets in Federated Learning
本文针对联邦学习中的隐私保护问题，提出了一套完整的隐私保护机器学习工作流，专注于敏感表格数据。首先，结合匿名化与差分隐私技术，在数据层面和模型训练层面提供隐私保障。其次，对客户端漂移（client drift）给出了正式定义，并设计了检测方