Private Collaborative Data Cleaning via Non-Equi PSI.
本文研究了隐私保护协作数据清洗问题。在协作数据清洗中，两方希望调和各自的数据集，以过滤掉分类错误的数据项。隐私保护版本增加了安全目标：各方仅能了解自己分类错误的数据项，而不能获知对方数据集的其他信息。该问题本质上是隐私集合交集（PSI）的变
#privacy-preserving
共收录 133 条相关情报。
← 返回所有主题Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption
本文针对分布式因果结构学习中的隐私泄露问题，提出了一种基于全同态加密（FHE）的隐私保护方法。传统方法中，数据在传输和计算过程中可能暴露敏感信息，而FHE允许在密文上直接进行计算，从而保证数据全程加密。然而，将FHE应用于因果结构学习面临计
Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving
该论文研究了联邦学习在跨中心败血症早期预测中的应用。败血症早期预测需要多中心医疗数据，但数据隐私和分布式特性阻碍了集中式建模。联邦学习允许多个机构在不共享原始数据的情况下联合训练模型，但其实际性能、鲁棒性和隐私保护优势尚未在真实临床数据中得
Privacy-Preserving High-Resolution Image Gradient Computation Based on Fully Homomorphic Encryption
本文提出了一种基于全同态加密（FHE）的高分辨率图像隐私保护梯度计算方法。随着隐私保护需求日益增长，同态加密成为在加密数据上直接进行操作的核心技术。然而，现有工作多局限于低分辨率图像，高分辨率图像处理面临计算开销剧增的挑战。为此，作者提出了
Selective Token-Level Cryptographic Redaction for Privacy-Preserving Clinical Deployment of Large Language Models
本文针对大型语言模型（LLM）在临床部署中因传输原始敏感健康信息而导致的隐私泄漏风险，提出了一个名为HERALD（Healthcare Encryption & Redaction via Adaptive Linguistic Decom
Private Embedding Lookup with Encrypted Compact Queries under Fully Homomorphic Encryption
该论文针对隐私保护推理中的嵌入查找问题，提出了一种基于全同态加密（FHE）的私有嵌入查找方法。在自然语言处理和推荐模型中，模型首先将离散的客户端输入映射为嵌入向量，而输入可能包含敏感信息，因此需要保护嵌入步骤的隐私。FHE允许对加密数据进行
GALA: Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks.
本文提出了GALA（Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks），旨在优化隐私保护神经网络中基于同态加密（HE）的线性计算效率。在现有
Privacy-Preserving Smart Surveillance with Cross-Dataset Violence Detection and Decentralized Evidence Governance
本文提出一种隐私保护的智能监控框架，旨在解决传统集中式监控系统中证据管理权限过度集中、隐私泄露风险高的问题。该框架将事件检测与证据披露分离：使用轻量级MobileNetV2-based视频分类器实时检测暴力事件，检测到的片段立即加密，只有通
PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution
本研究针对欧氏空间中差分隐私（DP）k-均值聚类问题展开。现有解决方案直接对原始数据进行加和，导致敏感度与数据域的大小成正比。本文提出PE-means方法，将私有进化（Private Evolution, PE）算法（一种在合成数据生成中日
Privacy-Enhanced Zero-Order Federated Learning via xMK-CKKS over Wireless Channels
本文提出了一种基于多密钥同态加密（MK-HE）的隐私增强零阶联邦学习协议，适用于无线信道环境。传统联邦学习中的同态加密方法主要依赖单密钥方案，需要信道估计或预均衡来补偿无线衰落，且单密钥方案易受诚实但好奇的客户端攻击——一旦某个客户端密钥泄
Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data
随着移动计算技术的快速发展，来自智能手机、联网车辆和无人机等移动终端的海量空间数据不断产生。对这些数据进行高效的分布式统计分析对于实时移动计算应用至关重要。然而，移动环境的约束性和动态性加剧了隐私挑战：将敏感数据集中分析会带来严重的隐私泄露
An Efficient and Privacy-Preserving Architecture for Cross-Institutional Collaborative RAG
该论文提出了一种名为FedRAG的高效且隐私保护的联邦检索增强生成（RAG）框架，旨在解决跨机构协作中严格隐私法规导致的“数据孤岛”问题。传统RAG通过外部知识增强大语言模型，跨机构集成需要分布式推理，但Transformer的自注意力机制
RouteScan: A Non-Intrusive Approach to Auditing MoE LLMs Safety via Expert Routing Telemetry
本文针对混合专家（MoE）大规模语言模型在部署中的安全审计问题，提出了一种非侵入式的审计框架RouteScan。现有的基于内容的审计方法需要访问用户提示、模型输入或生成输出，这可能导致敏感用户信息泄露，在LLM安全性与用户隐私之间产生根本性
Kernel-Based ReLU Approximation for Homomorphic Encryption-Compatible Privacy-preserving Deep Learning Models
本文针对同态加密（HE）无法直接支持非线性激活函数（如ReLU）的问题，提出了一种基于核函数的ReLU近似方法，以支持隐私保护的深度学习模型，特别是大语言模型（LLM）。由于HE仅支持加法和乘法，非线性函数在加密域中无法直接计算，而ReLU
SPIDER: Two Server Functionality for the Cost of Zero
本文提出 baseSPIDER 和 SPIDER 两种私有信息检索（PIR）方案，旨在解决传统 PIR 协议中存在的通信开销高、需要特殊服务器接口或多服务器协作等问题。baseSPIDER 采用单服务器架构，客户端具有状态，通过预处理和存储
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
本文针对时间紧迫场景下的隐私保护分布式优化问题，提出了一种结合进化算法与安全多方计算（MPC）的方法。分布式优化中多个参与方协作寻找问题的最优解，但传统方法在添加隐私保护（如MPC）后会产生显著运行时开销，可能导致优化无法在截止时间前完成。
MultiBallot: Verifiable and privacy-preserving E-Collecting in the Swiss setting
本文针对瑞士政治过程中的电子签名收集（e-collecting）场景，提出了一种兼顾可验证性与参与隐私的安全协议。在瑞士，公民通过收集一定数量的签名可以发起政策变更甚至具有法律约束力的公投，其安全要求与电子投票类似。作者首先基于瑞士现有的电
The Privacy Subsidy: Kyle's $λ$ under Noise-Perturbed Order-Flow Observation
该论文研究隐私保护加密货币交易所（如屏蔽自动做市商、批量交换拍卖、密封订单流拍卖）中，做市商观察到被高斯噪声扰动的订单流时的市场微观结构均衡。作者在 Kyle（1985）连续拍卖模型的基础上，引入一个承诺型贝叶斯做市商，其观察到的订单流被独
MetaMoE: Diversity-Aware Proxy Selection for Privacy-Preserving Mixture-of-Experts Unification
该论文提出 MetaMoE，一个隐私保护的混合专家（MoE）模型统一框架。在现实场景中，训练数据通常分布在多个客户端且无法共享，导致无法直接训练统一的 MoE 模型。MetaMoE 利用公开的代理数据作为私有数据的替代，通过多样性感知的代理
DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning
本文提出了一种名为 DisAgg 的新型安全聚合协议，用于联邦学习中的隐私保护。在传统联邦学习中，客户端更新直接暴露给中央服务器，存在隐私风险。现有的安全聚合方案虽然能抵御诚实但好奇的服务器，但通常存在通信轮数多、公钥操作重、难以处理客户端