PRoVeFL: Private Robust and Verifiable Aggregation in Federated Learning
联邦学习（FL）允许多个客户端协作训练机器学习模型，同时保留数据本地性，从而增强用户隐私。然而，传统的FL框架依赖中心化聚合服务器，并假设客户端是诚实但好奇的，这使其易受服务器端推理和客户端投毒攻击。先前的工作虽然探索了安全且拜占庭鲁棒的F
#privacy-preserving
共收录 133 条相关情报。
← 返回所有主题Privacy-Preserving Robustness Verification for Neural Networks
该论文提出SecureCROWN，首个用于隐私保护神经网络鲁棒性验证的框架。神经网络验证与数据隐私存在固有矛盾：验证需要完全访问模型参数和输入数据，但这受到隐私法规和知识产权限制。SecureCROWN基于安全两方计算（2PC），使模型所有
Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection
论文《Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection》解决了分布式地理数据中范围计数查询的隐私
Privacy-Preserving and Verifiable Approximate Distributed Coded Computing
本文提出了一种模型无关的对抗抵抗分布式学习框架，旨在同时解决分布式机器学习中的隐私泄露和恶意操纵问题。传统方法通常分别处理这些威胁，且往往针对特定学习范式或模型架构，限制了实际部署的适用性。该框架结合了范式特定的防御机制与GPBACC（一种
Bit-ViP: Leveraging Bit-planes to Preserve Visual Privacy in Images through Obfuscation
本文提出了一种名为 Bit-ViP 的基于位平面的图像混淆方案，旨在保护图像中的视觉隐私，同时保持足够的可用性以支持基于图像的识别任务。研究背景是计算机视觉应用（如监控系统和社交媒体）的快速增长引发了安全和隐私担忧，尤其在云端存储数据时。现
Arbitrary Reduction of Validation Error for AI Decision Tests using Homomorphic AI and Repetition Codes
该论文提出了基于哈希的同态人工智能（HbHAI）技术，该技术利用一类新型密钥相关哈希函数，能够在保留大多数AI算法所依赖的相似性属性的同时，对加密形式的数据进行分析和处理。与现有的同态加密方案相比，HbHAI在性能上取得了显著提升，甚至优于
HomeRun: High-efficiency Oblivious Message Retrieval, Unrestricted.
该论文提出了HomeRun协议，一种高效的无限制不经意消息检索（Oblivious Message Retrieval, OMR）方案。OMR允许用户在不解密服务器上加密消息的情况下，检索与自己相关的消息。现有OMR方案往往在效率或适用性上
Verifiable and Collusion-Resistant Multi-Party Quantum Private Set Operations
本文提出了一种可验证且抗共谋的多方量子私有集合操作协议，重点解决阈值私有集合交集（TPSI）问题。传统的量子TPSI协议通常依赖第三方（TP）解释最终结果，偏离了TPSI的基数测试范式。作者提出了一种基于旋转量子构造的新协议，通过单光子序列
Productionized Fairness Measurement Under Privacy Constraints
该论文针对公平性度量中的人口统计信号（如种族/民族）因法律约束或文化敏感性而难以收集和使用的挑战，提出了一种隐私保护的种族/民族概率估计方法（PPRE）。PPRE结合了两种信号源：基于贝叶斯改进的姓氏地理编码估计器（BISG）和稀疏的自我报
Lightweight Techniques for Private Heavy Hitters.
本文提出了一种轻量级协议来解决私有重击者问题。在该问题中，存在多个客户端和少量数据收集服务器，每个客户端持有私有比特串，服务器希望在不学习任何客户端具体字符串的情况下，恢复所有流行字符串的集合。例如，网页浏览器厂商可以使用该协议找出哪些主页
DKVE: Decentralized Key Validation for End-to-End Encrypted Messaging
端到端加密消息系统依赖于真实的公钥分发来防止中间人（MitM）攻击。当前解决方案存在明显权衡：带外（OOB）验证提供强安全性但缺乏大规模联系人列表的可扩展性，而密钥透明度（KT）系统虽能实现自动验证，但存储成本和操作复杂性高。本文提出 DK
Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model
本文研究了一种混合隐私保护的语义搜索方案，旨在解决稠密向量嵌入在向量数据库泄露时面临的嵌入-反演攻击（即从向量重构原始文本）问题。传统的防御手段存在两个极端：完全同态加密虽然安全性强，但在百万级文档规模下延迟过高；而添加隐私噪声会在保护效果
Federated Hash Projected Latent Factor Learning
本文提出了一种联邦哈希投影潜在因子学习模型（FHPLF），旨在解决传统哈希学习（HL）需要集中存储用户数据引发的隐私问题，以及联邦学习（FL）中传输实值梯度导致的高通信开销和隐私风险。FHPLF 通过三个关键创新实现隐私保护与性能平衡：1）
TL++: Accuracy and Privacy Preserving Traversal Learning for Distributed Intelligent Systems
本文提出了一种名为 TL++ 的双模式遍历学习框架，旨在解决分布式智能系统在数据孤岛下训练时的准确性与隐私保护问题。传统的联邦学习虽然保持数据本地化，但在异构分区下性能下降且需要反复交换完整模型；拆分学习通过切割层激活值减少通信，但通常无法
General Techniques for Reducing Key-Switching Overhead in Privacy-Preserving Two-Party Transformer Inference
本文针对安全两方Transformer推理中的密钥切换（key-switching）开销问题展开研究。在现有的隐私保护方案中，线性层通常通过全同态加密（FHE）进行明文-密文或密文-密文矩阵乘法计算，而密钥切换操作主要发生在这些乘法中，并成
Sponsored Group Signature and its Application to Privacy-preserving Guest Access in Smart Environments
本文提出了一种名为“赞助群签名”（SPGS）的新型数字签名方案，旨在解决智能环境中隐私保护访客访问的灵活性与问责问题。传统群签名允许群成员匿名代表群组签名，但成员加入必须由群管理员授权，缺乏灵活性。SPGS引入了两级成员结构：一级成员可以“
Homomorphic Encryptions for Privacy Preserving Vision
本文研究了在全同态加密（FHE）框架下实现隐私保护的计算机视觉推理任务。由于法律限制（如医疗或财务数据），组织无法直接向第三方云ML服务共享敏感数据，这阻碍了云ML服务的应用。作者利用全同态加密技术，允许在加密数据上直接进行加法和乘法运算，
ComputeFHE: A Privacy-Preserving General-Purpose Computation Library
全同态加密（FHE）允许在加密数据上直接执行计算，同时保护数据机密性，但其实际应用受到高计算成本和开发复杂性的限制。本文提出 ComputeFHE，一个基于 TFHE 密码系统的开源 C++ 库，旨在简化隐私保护应用的开发。该库提供加密整数
Privacy-Preserving Data Deduplication for Enhancing Federated Learning of Language Models.
本文针对联邦学习场景中数据去重面临的隐私和可扩展性挑战，提出了一种高效隐私保护的多方去重协议 EP-MPD。在联邦学习中，不同客户端的数据可能存在重复样本，去除这些重复能提升模型性能并节省训练时间与能耗。然而，传统去重需要聚合各方数据，会泄
Iris: Dynamic Privacy Preserving Search in Authenticated Chord Peer-to-Peer Networks.
本文针对结构化对等网络（如Chord）中查询隐私泄露问题，提出了一种名为IRIS的隐私保护方案。在传统Chord网络中，用户通过向中间节点逐跳询问来定位数据，每个节点会返回离目标地址最近的已知节点，直到找到负责该数据的节点。这一过程中间节点