基于SIGNSGD的联邦学习梯度安全聚合方法.pdf

基于安全聚合的联邦学习隐私保护方案研究.docx 基于安全聚合的联邦学习隐私保护方案研究一、引言随着大数据时代的来临，数据共享和协同学习成为了人工智能领域的重要研究方向。然而，在数据共享的过程中，个人隐私保护问题逐渐凸显出来，成为了制约数据有效利用的瓶颈。为了解决这一问题，联邦学习技术应运而生。联邦学习允许多个参与方在保持本地数据不动的前提下，通过模型参数的共享和更新，实现多方的协同学习。而基于安全聚合的联邦学习则进一步在模型参数的传输过程中提供隐私保护，保障了数据的机密性和完整性。本文将就基于安全聚合的联邦学习隐私保护方案展开研究。二、联邦学习概述 联邦学习是一种分布式机器学习方法，其核心思想是参与方在本地训练模型，然后将模型参数上传

2025-05-11 约4.01千字 9页立即下载

基于SGX的联邦学习稀疏参数安全聚合机制研究.docx 基于SGX的联邦学习稀疏参数安全聚合机制研究一、引言随着人工智能技术的飞速发展，数据的隐私和安全问题变得越来越重要。然而，由于数据的隐私保护和分布式学习的需求，传统的机器学习方式已无法满足所有需求。在此背景下，联邦学习技术得到了广泛的关注和应用。在联邦学习中，各节点在保持数据本地化的同时，可以协同学习模型参数，从而达到提升模型性能的目的。然而，由于联邦学习涉及多方数据的共享和传输，如何保证数据的安全性和隐私性成为了一个重要的研究问题。因此，本文提出了基于SGX（SoftwareGuardExtensions）的联邦学习稀疏参数安全聚合机制，旨在保护数据的隐私和安全，同时提高模型的学习效果。

2025-04-12 约5.02千字 10页立即下载

基于梯度选择和自适应学习率的加权K异步联邦学习方法、系统及装置.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114565103 A (43)申请公布日 2022.05.31 (21)申请号 202210190627.2 (22)申请日 2022.02.28 (71)申请人杭州卷积云科技有限公司地址 31

2023-05-07 约2.1万字 15页立即下载

基于可信执行环境的联邦学习梯度提升决策树训练方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114817946 A (43)申请公布日 2022.07.29 (21)申请号 202210270250.1 (22)申请日 2022.03.18 (71)申请人广西师范大学地址 541004

2023-05-16 约1.49万字 11页立即下载

面向联邦学习的安全聚合方案研究.docx 面向联邦学习的安全聚合方案研究一、引言随着云计算、大数据以及移动计算的发展，人工智能已成为一个关键领域，而在众多模型训练与学习的应用场景中，联邦学习成为了值得深入研究的新趋势。在联邦学习系统中，不同设备和服务器可以通过参与训练学习过程而保持数据的隐私和安全性，这一优势极大地提高了数据处理效率，保护了数据的安全性和隐私性。然而，在这一过程中如何保证信息交换的安全与可靠、避免恶意攻击或干扰、如何进行有效的安全聚合等成为了重要的研究课题。本文将重点探讨面向联邦学习的安全聚合方案的研究。二、联邦学习概述 联邦学习是一种分布式机器学习技术，其核心思想是在不共享原始数据的情况下，通过模型参数的共享和

2025-05-13 约4.69千字 9页立即下载

基于梯度压缩的联邦学习数据处理系统.pdf (19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 CN 112817940 B (45)授权公告日 2022.03.04 (21)申请号 202110169210.3 (74)专利代理机构北京锺维联合知识产权代理

2023-06-07 约2.07万字 13页立即下载

一种基于联邦学习的视频智能安全监管方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112989944 A (43)申请公布日 2021.06.18 (21)申请号 202110182984.X G06N 20/00 (2019.01) (22)申请日 2

2023-06-08 约9.94千字 10页立即下载

基于可信执行环境的联邦学习模型安全聚合技术研究_姜建林.pdf 基千可信执行环境的联邦学习模型安全聚合技术研究摘要 联邦学习是利用海量分散的客户端基千本地数据联合训练一个全局模型的过程，在 联邦学习中客户端的本地数据没有被共享，进而保护了客户端的隐私。现有研究表明，客户端上传的模型参数同样会泄露其隐私信息。因此，安全聚合被提出并应用在了联邦学习中，使得聚合服务器仅获得聚合的结果而无法得知单个模型的具体参数，从而对客户端隐私信息做到全方位保护。但是现有的安全聚合方案难以对客户端上传的模型进行检查，使得联邦学习无法抵抗拜占庭恶意客户端的攻击。如何同时保证客户端的隐私安全和聚合结果的鲁棒性是目前联邦学习中重要的研究方向之一。本文基千可信执行环境英特

2025-03-23 约4.38万字 55页立即下载

资源异构设备上的联邦学习聚合更新方法.docx 资源异构设备上的联邦学习聚合更新方法一、引言随着人工智能技术的飞速发展，数据隐私保护和设备资源异构问题逐渐成为制约机器学习技术发展的关键因素。联邦学习作为一种分布式机器学习框架，能够在保护数据隐私的同时，有效利用边缘设备上的数据进行学习。然而，在资源异构的设备和环境下，如何进行高效的联邦学习聚合更新成为一个亟待解决的问题。本文针对此问题，提出了一种新的联邦学习聚合更新方法，旨在提高异构设备上联邦学习的效率和准确性。二、背景与相关研究 联邦学习是一种分布式机器学习框架，其核心思想是在保持数据本地化的前提下，通过模型参数的聚合与更新来实现全局模型的优化。然而，在实际应用中，由于设备资源（如计

2025-02-25 约4.75千字 10页立即下载

提升模型泛化性的联邦学习安全聚合算法研究.docx 提升模型泛化性的联邦学习安全聚合算法研究一、引言随着大数据时代的来临，数据安全与隐私保护问题日益突出。联邦学习作为一种新兴的机器学习范式，旨在保护用户数据隐私的同时，实现模型的学习与更新。然而，传统的联邦学习在模型聚合过程中，仍面临诸多挑战，包括安全性、模型泛化性和通信效率等问题。针对这些问题，本文提出了一种提升模型泛化性的联邦学习安全聚合算法研究，以期在保障数据隐私的同时，提高模型的泛化性能。二、研究背景及意义近年来，随着深度学习技术的不断发展，联邦学习作为一种分布式机器学习框架，逐渐成为研究热点。其核心思想是在保持用户数据本地化的前提下，通过模型参数的聚合与更新，实现模型的学习与优

2025-02-24 约4.78千字 10页立即下载

面向联邦学习的安全高效聚合验证机制研究.docx 面向联邦学习的安全高效聚合验证机制研究一、引言在现今这个数据驱动的时代，人工智能的发展对大数据的利用及共享需求不断提高。联邦学习作为一种保护用户数据隐私的新兴机器学习范式，近年来备受关注。它允许多个参与方在保持本地数据不共享的前提下，共同训练模型，从而实现数据的高效利用和保护隐私的双重目标。然而，在联邦学习的过程中，由于各参与方数据的独立性和不共享性，如何确保模型更新的安全聚合和验证成为了一个重要的挑战。本文旨在研究一种面向联邦学习的安全高效聚合验证机制，以解决这一问题。二、研究背景及意义随着云计算和大数据的快速发展，数据的安全和隐私问题日益突出。传统的机器学习方法通常需要将数据集中到

2025-05-01 约4.56千字 10页立即下载

面向联邦学习安全聚合的投毒攻击与防御技术研究.pdf 面向联邦学习安全聚合的投毒攻击与防御技术研究摘要传统的机器学习模型训练方法需要集中收集和处理大量敏感数据，这可能导致数据泄露和数据滥用等问题。为应对这些问题，联邦学习(FederatedLearning)被提出。联邦学习作为一种特殊的分布式机器学习，可以在保证模型性能的前提下，避免个人数据的泄露，并有效解决数据孤岛的问题。与此同时，联邦学习系统也很容易受到各种威胁，如数据投毒攻击、后门攻击、模型推理攻击等。为了抵御这些攻击，相应的防御策略也应运而生，如设计安全的聚合算法、结合区块链技术、使用安全硬件等。本文针对现有基于安全聚合算法的防御策略，设计了一种面向安全聚合的数据投毒攻击

2025-05-17 约8.14万字 64页立即下载

面向联邦学习的安全高效聚合验证机制研究_.pdf Keywords:FederatedLearning;PrivacyPreservation;SecureAggregation; RSAAccumulator;Verifiability III 3.6.1验证正确性证明25 3.6.2方案安全性证明25 3.7实验与性能分析27 3.7.1实验设置28 3.7.2模型性能测试28 3.7.3通信开销和计算成本实验与分析31 3.7.4功能性分析34 3.8本章小结35 第4章通信优化的联邦学习可验证聚合方案36 4.1方案场景和必要性36 4.2威胁模型36 4.3基于层选择的参数更新方法36 4.4Adadelta优化算法38 4.5具体

2025-04-12 约4.94万字 36页立即下载

提升模型泛化性的联邦学习安全聚合算法研究.docx 提升模型泛化性的联邦学习安全聚合算法研究一、引言随着大数据时代的到来，机器学习和人工智能技术得到了广泛的应用。然而，在数据共享和模型训练的过程中，数据安全和隐私保护问题日益突出。联邦学习作为一种新兴的机器学习技术，可以在保护用户数据隐私的同时，实现模型的学习和优化。然而，联邦学习中存在数据安全性和模型泛化性的问题，特别是在模型聚合过程中，如何保证聚合算法的安全性和有效性，成为了当前研究的热点问题。本文旨在研究提升模型泛化性的联邦学习安全聚合算法，以提高模型的泛化性能和安全性。二、联邦学习概述 联邦学习是一种分布式机器学习框架，其核心思想是在保持数据本地化的前提下，通过模型参数的共享和聚合

2025-05-25 约4.47千字 9页立即下载

基于博弈论的自组织式联邦学习方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112836828 A (43)申请公布日 2021.05.25 (21)申请号 202011492248.6 (22)申请日 2020.12.16 (71)申请人中山大学地址 51

2023-06-05 约2.41万字 20页立即下载