联邦学习与安全多方计算
联邦学习与安全多方计算
- 1. 联邦学习
- 2. 安全多方计算
- 3. 联系与区别
1. 联邦学习
联邦学习(FL,Federated Learning)是谷歌于2016年提出的一种分布式机器学习框架,可以在保护个人数据隐私的前提下,联合多方用户的数据实现模型训练。
联邦学习用于解决“数据孤岛”问题,核心思想是“数据不动模型动,数据可用不可见”。
- 传统机器学习中,数据需集中在一起进行模型训练,这样会暴露个人隐私,且数据共享也面临信任问题。
- 联邦学习中,数据被分散在多个地方,每个地方的数据在本地进行处理形成本地模型,本地模型通过联邦学习算法进行汇聚和更新,最终得到一个全局模型。这样既保护了隐私,同时也避免了数据共享的信任问题。
联邦学习的应用场景非常广泛,如医疗领域,由于涉及到患者的隐私数据,传统的中心化机器学习方法难以实现,而联邦学习可以实现不同医院之间模型的共享和更新,从而提高诊断和治疗的准确性和效率;金融领域,联邦学习可用于风险控制、欺诈检测等,提高金融机构的业务效率和风险管理能力;智能物联网领域,联邦学习可用于实现不同设备之间的智能交互和协作,提高智能物联网系统的性能和可靠性。
2. 安全多方计算
安全多方计算(SMC,Secure Multi-party Computation)由由中国计算机科学家、2000年图灵奖获得者姚启智教授于1982年在论文《Protocols for secure computations》中以百万富翁问题(两个百万富翁Alice和Bob想知道他们两个谁更富有,但他们都不想让对方及其他第三方知道自己财富的任何信息),开创了密码学研究的新领域。
安全多方计算定义:是指在一个互不信任的多用户网络中, n n n个参与者 P 1 , P 2 , . . . , P n P_1,P_2,...,P_n P1,P2,...,Pn,每个持有秘密数据 x i x_i xi,希望共同计算出函数 f ( x 1 , x 2 , . . . , x n ) = ( y 1 , y 2 , . . . , y n ) f(x_1,x_2,...,x_n)=(y_1,y_2,...,y_n) f(x1,x2,...,xn)=(y1,y2,...,yn), P i P_i Pi仅得到结果 y i y_i yi,并且不泄露 x i x_i xi给其他参与者。
安全多方计算同样广泛应用于政务、医疗、金融、交通等各个领域中保护隐私的数据统计、数据分析、数据挖掘。如用户画像要从多个数据源中获取用户的身份、属性、行为、关系等各类数据,并进行群体的分析挖掘。但在数据的获取与计算过程中会导致用户隐私泄露,可使用安全多方计算技术,在保护隐私的情况下,对数据进行分析计算。
3. 联系与区别
(1)联系
联邦学习和安全多方计算都是解决数据隐私保护问题的技术,有以下共同点:
- 都是在多个参与方之间进行数据计算和交互
- 都是在不共享原始数据的情况下进行数据计算
- 都需要使用加密算法和协议来保障数据安全性
(2)区别
- 目的不同。联邦学习的目的是使用多方数据进行模型训练,从而提高模型的准确性和性能;安全多方计算的目的是在多个参与方之间进行数据计算,共同得出结果。
- 数据处理方式不同。联邦学习中,各方将自己的本地模型参数上传进行聚合,从而得到全局模型;安全多方计算中,数据计算是通过密文交互实现的。
联邦学习与安全多方计算相关推荐
- 差分隐私?联邦学习?安全多方计算?它们之间是什么关系?
差分隐私与其他隐私计算技术的联系 写在前面的话 隐私计算 什么是隐私计算? 隐私计算发展趋势 隐私计算的技术 隐私计算体系结构 安全多方计算 联邦学习 可行执行环境 差分隐私 比较 应用场景 发展趋势 ...
- 联邦学习笔记—《Communication-Efficient Learning of Deep Networks from Decentralized Data》
摘要: Modern mobile devices have access to a wealth of data suitable for learning models, which in tur ...
- 微众银行首席AI官杨强:联邦学习理论基础、四大应用场景与微众的AI全布局
本文作者:周蕾 2020-06-14 09:44 导语:HKSAIR<AI金融>系列线上讲座第一课. 近日,香港人工智能与机器人学会(HKSAIR)创会理事长.微众银行首席AI官.香港科技 ...
- 隐私计算--联邦学习
目录 联邦学习 联邦学习系统构架 联邦学习开源框架 联邦学习分类 横向联邦学习 纵向联邦学习 联邦迁移学习 联邦学习特点 参考推荐: 联邦学习概念及应用 https://blog.csdn.net/c ...
- 隐私计算 — 联邦学习 — Overview
目录 文章目录 目录 前言 联邦学习 联邦学习与分布式机器学习的区别 联邦学习的网络拓扑类型 客户端-服务器拓扑 对等网络拓扑 联邦学习的数据分区类型 横向联邦学习 纵向联邦学习 联邦迁移学习(Fed ...
- 2月份隐私计算、联邦学习的市场概览
2月份隐私计算.联邦学习的市场概览 摘要:在隐私计算市场中,三股信息流如清风拂面,流转不息.采购意向,犹如花开满园,为供应商和服务提供商探明商机:招标信息,如云卷云舒,为客户了解市场动态提供重要参考: ...
- 联邦学习应用思考:需求还是方法?
作者 | 徐葳 清华大学交叉信息研究院长聘副教授.华控清交首席科学家 前言: 目前,"联邦学习"这个术语在市场上存在很多认识上的误解和混淆,主要原因是其既在广义上表达了保护数据前提 ...
- 如何全面认识联邦学习
作者 | 王健宗 李泽远 何安珣 来源 | 大数据DT 头图 | 下载于视觉中国 什么是联邦学习 联邦学习是一种带有隐私保护.安全加密技术的分布式机器学习框架,旨在让分散的各参与方在满足不向其他参与者 ...
- 《2021联邦学习全球研究与应用趋势报告》发布,中美为最大领跑者 | 附下载链接...
撰文:XT 编审:寇建超 排版:李雪薇 7 月 31 日,美国亚马逊公司(Amazon)被卢森堡数据保护委员会处以 7.46 亿欧元(约合 57.2 亿元人民币)的罚款,原因是 Amazon 违反了欧 ...
最新文章
- 每日一皮:第一次用CSS的时候,我震惊了...
- DPM2012系列之十三:如何清理无法联系的客户端代理
- .net显示今天农历的代码
- 八、操作系统——基本分页存储管理的基本概念(详解)
- 【LeetCode笔记】剑指 Offer 36. 二叉搜索树与双向链表(Java、二叉树、链表、原地算法)
- 临时表和内存表的区别
- QWidget *parent
- MyBatis理解与掌握(输入与输出)
- Windows之远程访问×××的简单部署
- atitit.新增编辑功能 跟orm的实现 attilax p31
- 20+免费精美响应式Html5 网站模板01(含源码)
- 已有项目如何添加到gitee(码云)仓库
- 电路分析第二章 二端口网络
- 【水晶报表】中如何打印条形码?
- python_模块_包
- 鸿蒙 什么意思,鸿蒙是什么意思和拼音怎么读
- 很建议学习的Linux软件包管理— 软件包分类
- LeetCode——二叉树
- C语言求ex的近似值
- 还是觉得WinXP中Luna的Theme是经典啊!用了Royal不多会儿就疲劳了!