homomorphic encryption
PulseAugur coverage of homomorphic encryption — every cluster mentioning homomorphic encryption across labs, papers, and developer communities, ranked by signal.
-
新协议通过多密钥加密增强联邦学习隐私
研究人员开发了一种新颖的四阶段协议，用于隐私增强的联邦学习（FL），该协议在无线信道上利用xMK-CKKS多密钥同态加密方案。该协议能够在无需信道估计的情况下安全聚合加密数据，解决了单密钥HE方法的漏洞。所提出的系统与零阶FL集成，确保服务器与多达N-1个客户端勾结时的安全性，并保持O(1/sqrt(K))的收敛速率，这已通过MNIST上的数值结果得到验证。
-
新的ICA方法在不损失性能的情况下提供隐私保护的机器学习
研究人员推出了一种名为信息压缩匿名化（ICA）的新方法以及VEIL架构，作为一种新颖的隐私保护机器学习方法。该方法使用受信任环境中的编码器将原始数据转换为低维、任务对齐且在数学上不可逆的表示。与差分隐私或同态加密等传统方法不同，ICA旨在提供强大的隐私保证，而不会牺牲性能或引入显著的计算开销。
-
新的DSFL框架增强了可扩展且可验证的金融欺诈检测能力
研究人员推出了一种名为动态分片联邦学习（DSFL）的新框架，旨在增强跨机构金融欺诈检测能力，同时保护数据隐私。DSFL通过提高可扩展性和完整性来解决现有联邦学习协议的局限性。该系统采用动态随机分片来降低通信复杂性，并使用线性完整性标签进行可验证更新聚合，而无需零知识证明的计算成本。
-
联邦学习进展在隐私、效用和公平性之间取得平衡
研究人员正在探索增强联邦学习（FL）隐私的高级技术，FL是一种在去中心化数据上进行模型训练的方法。一项研究比较了在瑞典医疗保健数据上用于心血管疾病风险建模的差分隐私（DP）和同态加密（HE），发现HE与集中式方法相当，但计算开销更高，而DP在某些模型上表现出更大的性能下降。另一种方法FedPF引入了一种差分隐私的公平FL算法，通过将公平性和效用视为竞争目标来平衡它们，在具有竞争力的准确性和低计算占用的情况下显著减少了歧视。第三篇论文将…