摘要
Yang Q,Liu Y,Chen T,联合机器学习:概念和应用。 《ACM智能系统与技术汇刊》(TIST),第10卷,第2期,第1-19页,2019年。 谷歌学者 Hanchi R,Jingjing D,Xianghua X.GRNN:生成回归神经网络——联合学习的数据泄漏攻击。 arXiv.org。2021年9月22日检索自 https://arxiv.org/abs/105.00529v1。 谷歌学者 Eric P Xing、Qirong Ho、Wei Dai、Jin Kyu Kim、Jinliang Wei、Seunghak Lee、Xung Zheng、Pengtao Xie、Abhimanu Kumar和Yaoliang Yu。 Petuum:一个新的大数据分布式机器学习平台。 IEEE传输。 《大数据》,第1卷,第2期,第49–67页,2015年。 谷歌学者 交叉引用 Robin C Geyer、Tassilo Klein和Moin Nabi,《不同私有联合学习:客户层面的视角》。 arXiv预印arXiv:1712.075572017。 谷歌学者 杨强(Qiang Yang)、杨柳(Yang Liu)、永成(Yong Cheng)、阎康(Yan Kang)、陈天健(Tianjian Chen)和韩瑜(Han Yu)。 联合学习。 《人工智能和机器学习综合讲座》,第13卷,第3期,第1–207页,2019年。 谷歌学者 交叉引用 Reza Shokri、Marco Stronati、Congzheng Song和Vitaly Shmatikov。 针对机器学习模型的成员推理攻击。 在IEEE SP中,第3-18页。 IEEE,2017年。 谷歌学者 Liu RX,Chen H,Guo RY,Zhao D,Liang WJ,Li CP。机器学习中隐私攻击和防御的调查。 阮建学报/《软件杂志》,2020年,第31卷,第3期,第866892页(中文)。 http://www.jos.org.cn/1000- 9825/5904.htm 谷歌学者 Mothukuri V,Parizi R M,Pouriyeh S,联合学习安全与隐私调查。 《未来一代计算机系统》,2021年,第115卷,第619-640页。 谷歌学者 交叉引用 Yang Q,Liu Y,Chen T,联合机器学习:概念和应用。 《ACM智能系统与技术汇刊》(TIST),第10卷,第2期,第1-19页,2019年。 谷歌学者 刘瑞轩,陈红,郭若阳,机器学习中的隐私攻击与防御。 软件杂志,2019,31(3):866-892。 谷歌学者 Olowononi F O,Rawat D B,Liu C.针对弹性车辆网络物理系统的差异隐私联合学习// 华盛顿数据科学和网络安全中心:霍华德大学,2021年。 谷歌学者 Triastcyn A.贝叶斯差异隐私联合学习// IEEE国际大数据会议,人工智能实验室,2019年。 谷歌学者 Hu R.具有差异隐私的个性化联合学习。 IEEE物联网杂志,第6卷,2020年第10期。 谷歌学者 Liu Y,Zhu X,Wang J,联合学习中隐私泄露的定量度量。 ICASSP 2021-2021 IEEE国际声学、语音和信号处理会议(ICASSP),第3065-3069页,2021年。 谷歌学者 交叉引用 Kraskov A,Sto¨gbauer H,Grassberger P.估计相互信息。 《物理评论E》,第69卷,第6期,第066138页,2004年。 谷歌学者
建议
高斯差分隐私的分层联合学习 AISS’22:第四届高级信息科学与系统国际会议记录 联合学习是一种保护隐私的机器学习技术。 每个参与者可以在不公开底层数据的情况下构建模型,并且只与服务器共享模型的权重更新和梯度信息。 然而,很多。。。 隐私保护:p-敏感k-匿名属性 ICDEW’06:第22届国际数据工程研讨会会议记录 在本文中,我们引入了一种新的隐私保护属性,称为p-敏感k-匿名性。 现有的假名属性可以防止身份泄露,但无法防止属性泄露。 新引入的隐私模型。。。 发布后信息隐私保护:框架和下一代隐私增强操作系统 在当今的数字世界中,隐私问题受到了公众的广泛关注。 当前对信息隐私保护的研究主要集中于发布控制和主体身份模糊。 然而,几乎没有做什么工作来阻止。。。