Secure Multi-Party Computation
PulseAugur coverage of Secure Multi-Party Computation — every cluster mentioning Secure Multi-Party Computation across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新论文发现：组学研究中的联邦学习受批处理效应阻碍
一篇新研究论文发布在arXiv上，探讨了多中心组学研究中联邦学习的批处理效应挑战。研究表明，未经校正的批处理效应会严重损害无监督和有监督的联邦学习算法，包括联邦k-means聚类和联邦随机森林分类。为解决此问题，研究人员引入了fedRBE，这是limma的removeBatchEffect()方法的一种新颖的联邦实现，它利用安全多方计算进行分布式组学数据中隐私保护的批处理效应校正。
-
新研究探讨计算机视觉系统的隐私保护技术
两篇新研究论文探讨了增强计算机视觉系统隐私的方法。第一篇论文“PrivacyBench”介绍了一个评估隐私技术组合的框架，揭示了联邦学习（FL）与差分隐私（DP）的结合可能导致显著的收敛失败和成本增加，而FL与安全多方计算（SMPC）的结合则能保持性能。第二篇论文“用于隐私保护视觉的同态加密”详细介绍了使用全同态加密在加密图像数据上执行推理任务，并在MNIST和CIFAR-10等各种数据集上展示了分类准确率的微小下降。
-
新基准测试LLM在MPC安全代码修复方面的能力
研究人员开发了MPC-Patch-Bench，这是一个新的基准，旨在评估大型语言模型（LLM）在安全多方计算（MPC）软件方面的代码修复能力。现有的通用基准由于其独特的加密逻辑、缺乏标准化测试以及对加密安全性的关键需求，对于MPC来说是不够的。MPC-Patch-Bench包含一个数据策展框架和一个专门的MPC验证器，以确保功能正确性和安全性，从而解决了当前评估方法的局限性。
-
新方法结合进化算法和MPC实现时限隐私保护优化
研究人员开发了一种新的隐私保护分布式优化方法，该方法解决了时间约束问题。该方法结合了进化算法和安全多方计算（MPC），在保护各方输入的同时找到最优解。在分配问题和旅行商问题上的实验表明，该方法能够满足截止日期要求，尽管它在解决方案质量和隐私保护级别之间存在权衡。