Camel: Communication-Efficient and Maliciously Secure Federated Learning in the Shuffle Model of Differential Privacy.
联邦学习（FL）是一种允许多个客户端在不共享原始本地数据的情况下，仅通过共享梯度更新联合训练模型的范式。然而梯度更新本身也可能泄露隐私。现有方法通常采用本地差分隐私（LDP）机制，在共享前由客户端本地扰动梯度，但这类方法会因添加大量噪声而严
#shuffle-model
共收录 4 条相关情报。
← 返回所有主题On the Rényi Differential Privacy of the Shuffle Model.
本文研究了洗牌模型（Shuffle Model）下的Rényi差分隐私（Rényi Differential Privacy, RDP）保证。在本地差分隐私（Local Differential Privacy, LDP）中，用户通过随机化
IntraShuffler: A Privacy Preserving Framework for Heterogeneous DP Federated Learning
联邦学习（FL）中，异构差分隐私（HDP）允许客户端根据自身策略和数据敏感度选择不同的隐私预算（ε_i）。现有HDP-FL系统常采用ε感知的服务器聚合，通过根据客户端声明的隐私预算重新加权其梯度更新来提升模型效用。然而，联邦学习中的梯度更新
Amplification by Shuffling without Shuffling.
该论文受差分隐私洗牌模型（shuffle model）近期发展的启发，提出了一种新的近似洗牌功能——交替洗牌（Alternating Shuffle）。研究背景是：在洗牌模型中，一个可信的洗牌器随机排列用户的数据，从而放大本地差分隐私的隐私