HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion
在联邦学习（FL）中，隐私保护训练面临计算开销与安全性之间的权衡。现有全加密方案（如同态加密）虽能保护数据，但计算成本过高，难以部署。本文提出HADES框架，一种选择性特征加密与混合模型融合的隐私保护联邦学习方法。核心思想是：并非加密所有数
#privacy-preserving
共收录 133 条相关情报。
← 返回所有主题PentaGOD: Stepping beyond Traditional GOD with Five Parties.
该论文提出了一种名为PentaGOD的五方图异常检测方法，旨在超越传统的图异常检测（GOD）范式。研究背景中，现有图异常检测方法通常仅依赖单一视角或少数几方数据，难以应对复杂场景下的协作需求。本文通过引入五方协作机制，设计了一种新的图异常检
Increasing Adversarial Uncertainty to Scale Private Similarity Testing.
该论文研究了社交媒体平台中恶意内容检测的隐私保护问题。现有方法通常将用户内容与服务器端的恶意内容数据库进行相似性比对，但这会严重侵犯用户隐私（服务器可获知用户完整内容）。作者提出一种新颖的客户端检测范式：仅在用户本地触发时通知用户自身，避免
Game-Theoretic Framework for Private Data Sharing in Vehicular Networks
该论文针对车载网络中数据共享的隐私和可扩展性问题，提出了一种基于博弈论的新型框架。框架采用混合架构，由提供传感器数据的车辆、通过安全多方计算独立处理数据的服务器、管理数据流的协调节点以及设定经济激励的数据消费者组成。核心创新在于结合Stac
Revisiting Hybrid Private Information Retrieval.
本文重新审视了混合私有信息检索（Hybrid PIR）协议。私有信息检索允许客户端从多个服务器持有的公共数据库中检索条目，同时不向服务器泄露任何关于所请求数据的信息。传统上，PIR分为两类：多服务器PIR（客户端将查询分割到k≥2个非合谋服
Kangaroo: A Private and Amortized Inference Framework over WAN for Large-Scale Decision Tree Evaluation.
本文提出Kangaroo，一种针对广域网（WAN）环境下大规模决策树推断的隐私保护与摊销推理框架。随着机器学习即服务（MLaaS）的普及，客户端希望利用云服务器上的决策树模型进行推断，但同时需要保护输入数据和模型参数的隐私。现有方案（如安全
G-Lox: Group-Adaptive, Privacy-Preserving Bridge Distribution with Two-Party Computation
G-Lox 是一种面向桥分发系统的隐私增强方案，旨在解决现有系统（如 Lox）在支持自适应组级分配时面临的隐私泄露问题。传统桥分发系统中，分发器需要根据用户组（如按网络条件或受审查程度划分）动态调整桥分配策略，但这一过程可能暴露组标识或分配
Fuzzy PSI from Symmetric Primitives with Exact Logarithmic Dependence on Distance Threshold
本文针对模糊私有集合交集（Fuzzy Private Set Intersection, FPSI）问题提出了新的协议。FPSI允许两方在不泄露各自集合元素的情况下，找出在某种距离度量下相近的元素对。此前的工作要么在阈值δ上呈线性复杂度，要
A Privacy-Preserving Framework Using Remote Data Science for Inter-Institutional Student Retention Prediction
该论文提出了一种基于远程数据科学（RDS）的隐私保护机器学习（PPML）框架，用于跨机构学生保留率预测。研究利用PySyft平台，设计了一个半气隙架构，包括高侧和低侧服务器，使得来自三所大学的研究人员能够在敏感学生数据上构建预测模型，而无需
Defense Against Prompt Inversion Attacks: An Information-Theoretic Approach for LLM Collaborative Inference
该论文聚焦于协作边缘-云推理场景中的隐私泄露问题。资源受限的设备通过将部分计算卸载到云服务器来利用大型语言模型（LLM），但中间激活值在传输过程中容易受到提示反转攻击，即攻击者从共享表示中重构原始用户输入。现有防御方法多依赖启发式扰动或经验
Privacy-Preserving Federated Autoencoder for ECG Anomaly Detection on Edge Devices
该论文提出并评估了一个端到端的联邦学习系统，用于在边缘设备上进行无监督的12导联心电图异常检测。系统结合了三种自编码器架构（VanillaAE、ConvAE、VAE），基于Flower框架实现跨十个模拟医院的联邦平均聚合，并集成客户端差分隐
PriME-Deal: Privacy-Preserving Bilateral Data Trading with Efficient Matchmaking and Auditable Fair Exchange on Blockchain
该论文提出了一种名为 PriME-Deal 的隐私保护双边数据交易协议，旨在解决现有基于属性的访问控制方案在数据交易中存在的策略泄露、计算开销大、依赖可信第三方等问题。PriME-Deal 是一个非交互式协议，能够在公共区块链上同时实现策略
Post-Quantum Secure Federated DeFi for Inclusive Banking
该论文针对量子计算对现有金融加密体系构成的威胁，提出了一种后量子安全的联邦去中心化金融（DeFi）框架，旨在提升因信用记录不足而被传统银行排斥的个人的金融包容性。核心方法包括：多家银行将客户加密数据批量上传至虚拟服务器，采用基于格的全同态加
Privacy-Preserving Credit Risk Prediction with Alternative Data
信用风险预测是消费信贷行业的核心问题。传统上，金融机构使用借款人的人口统计、财务和信用历史数据（统称为传统数据）构建预测模型。近年研究表明，替代数据（如手机通信数据）能为贷方提供更全面准确的借款人信用评估，从而提升预测性能。然而，替代数据由
Poster: A Secure Multiparty Computation Platform for Squeaky-Clean Data Rooms.
本文提出了一种新颖的安全多方计算（MPC）平台框架，旨在解决密码学隐私保护技术（如全同态加密FHE和安全多方计算MPC）在实际部署中面临的可用性差、隐私保证不精确等挑战。作者首先形式化了安全计算平台（SCP）的概念，用于隐私保护的数据协作，
Asymptotic Optimality of the High-Dimensional Gaussian Mechanism and Improved Low-Dimensional Mechanisms for Differential Privacy
该论文研究了差分隐私中用于T维实数向量查询的加性噪声机制。高斯机制因其简单性和强隐私保证而成为最广泛使用的机制。本文首先证明，当维度T趋于无穷大时，在强隐私设置下，没有任何加性噪声机制能够渐近地改善高斯机制的隐私-效用权衡，从而为高斯机制的
Exploring CKKS Parameter Trade-offs for Privacy-Preserving Personalized Federated Learning
本文针对隐私保护的个性化联邦学习（PFL）中应用CKKS同态加密方案时缺乏系统参数选择指导的问题，提出了pFedCKKS框架。该框架将CKKS集成到PFL中，并首次提供了参数选择的系统指南。研究指出，在128位安全级别下，CKKS参数约束可
You Can Use But Cannot Recognize: Preserving Visual Privacy in Deep Neural Networks.
该论文关注深度神经网络（DNN）应用中图像数据的隐私保护问题。现有技术如差分隐私虽能提供强隐私保证，但无法有效保护图像的可视化特征。为此，作者提出一种新型隐私保护框架 VisualMixer，通过像素混洗（pixel shuffling）来
An End-to-End Encrypted Control Pipeline for Multi-Agent Coordination via CKKS Homomorphic Encryption
该论文提出了一种基于CKKS全同态加密（FHE）的端到端加密控制管道，用于解决多智能体云协调中的隐私与协作冲突。传统方法需要将智能体状态明文发送给中央服务器，存在隐私泄露风险。FHE理论上允许对密文直接计算，但算术约束苛刻，需重新设计控制环
Private Collaborative Data Cleaning via Non-Equi PSI.
本文首次提出并研究了隐私保护的协作数据清理问题。在协作数据清理场景中，两方希望协调各自的数据集，以过滤掉错误分类或误分类的数据项。隐私保护版本的目标是：各方仅能了解自己数据中被误分类的项，而无法获知对方数据集的任何其他信息。私有数据清理本质