【纵向联邦】学习

联邦学习笔记

  • 刘洋丨联邦学习的技术挑战和应用展望
  • 杨强丨用户隐私,数据孤岛和联邦学习
  • 【20220709隐私计算峰会】

刘洋丨联邦学习的技术挑战和应用展望

【纵向联邦】学习_第1张图片
【纵向联邦】学习_第2张图片
【纵向联邦】学习_第3张图片
【纵向联邦】学习_第4张图片
【纵向联邦】学习_第5张图片
防御方法比较:

  • Differential Privacy(DP):数据里加噪音
  • Gradient Sparsification(GS):比较有效
  • Fully Connected(FC)Layer for shuffling:模型保护,如传递的是中间的embedding和中间的结果,是否能够用模型把embedding全部转换,模型变成encoding。

杨强丨用户隐私,数据孤岛和联邦学习

【纵向联邦】学习_第6张图片
可以解决的问题:两方数据量差别很大、两边的数据分布非常不同(如一方男、一方女)、特征噪音很多、加密解密成本太大、一方数据里有hook(数据下毒,防止对抗)

【20220709隐私计算峰会】

主要介绍图模型相关
【纵向联邦】学习_第7张图片
【纵向联邦】学习_第8张图片
介绍差分隐私的基本和在业界的应用
应用
【纵向联邦】学习_第9张图片
纵向联邦学习·计算特点与优化思路

你可能感兴趣的:(算法,安全)