文章标签
分隐私
-
联邦学习：Non-IID数据下自适应聚合算法优化策略
联邦学习：Non-IID数据下自适应聚合算法优化策略 联邦学习（Federated Learning，FL）作为一种新兴的分布式机器学习范式，能够在保护用户数据隐私的前提下，联合多个客户端进行模型训练。然而，在实际应用中，由于客户端数...
-
基于同态加密的联邦学习隐私保护方案设计与效率评估
在数据隐私日益受到重视的今天，联邦学习作为一种新兴的分布式机器学习范式，能够在保护用户数据隐私的前提下，实现模型的联合训练。然而，联邦学习仍然面临着一些安全挑战，例如，参与方可能恶意攻击，或者通过推理攻击泄露其他参与方的数据隐私。为了进一...
-
联邦学习的公平性挑战：评估与缓解策略
联邦学习中如何评估与缓解模型公平性问题 联邦学习（Federated Learning, FL）作为一种分布式机器学习范式，允许在不共享原始数据的前提下，多方协作训练一个共享模型。这在数据隐私日益受重视的今天，展现出巨大的潜力。然而，...
-
边缘联邦学习：如何构建一个全面的多目标评估框架来平衡性能、功耗、安全与泛化？
在边缘设备上部署联邦学习（Federated Learning, FL），听起来美好，尤其是在数据隐私和低延迟这两个大趋势下，它简直是理想的解决方案。然而，理想很丰满，现实骨感，实际落地时我们总是会遇到一堆“拦路虎”。你提到的通信效率、功...
-
边缘计算如何赋能机器学习模型训练：分布式加速的实践与挑战
在当前数据爆炸的时代，机器学习模型的训练对计算资源的需求越来越高。传统上，我们习惯将所有数据汇集到中心化的云端进行训练，这种模式虽然强大，但随着IoT设备数量的激增和数据生成量的几何级增长，它开始显露出瓶颈：高昂的数据传输成本、网络延迟、...
-
边缘计算遇上联邦学习：数据隐私保护下的模型训练新范式
在万物互联的时代，数据呈爆炸式增长，同时也带来了前所未有的安全和隐私挑战。如何在充分利用数据的价值的同时，保护用户的数据安全，成为了一个亟待解决的问题。边缘计算和联邦学习的结合，为我们提供了一个新的思路。 什么是边缘计算？ 边缘计...
-
破局通信瓶颈：资源受限边缘设备上联邦学习的通信效率优化实战指南
在当前万物互联的时代，边缘计算与人工智能的结合正成为一股不可逆转的趋势。联邦学习（Federated Learning, FL）作为一种分布式机器学习范式，让模型训练可以在数据不出本地的前提下进行，天然地解决了数据隐私和安全问题。然而，当...
-
边缘计算数据安全共享：基于智能合约的去中心化协作机制设计
边缘计算数据安全共享：基于智能合约的去中心化协作机制设计 在边缘计算场景下，多个边缘设备节点需要安全地共享和验证彼此生成的数据。传统的中心化数据交换方式存在单点故障、数据隐私泄露等风险。为了解决这些问题，我们可以设计一套基于智能合约的...
-
边缘AI模型：在实际应用中如何系统化评估其安全风险？
在边缘AI日益普及的今天，我们常常沉浸在其带来的低延迟、高效率和数据隐私优势中。但作为一名长期与AI系统安全打交道的技术人，我深知，任何技术上的便利都伴随着新的安全挑战。尤其对于边缘AI，它并非简单地将云端AI缩小并部署到设备上，其独特的...
-
区块链赋能联邦学习：保障隐私偏好配置的不可篡改与可追溯性
在联邦学习日益普及的今天，如何在保护用户隐私的前提下，实现个性化模型训练成为了一个重要的研究方向。用户的隐私偏好配置，直接影响着本地模型训练的策略，因此，确保这些配置的不可篡改性和可追溯性至关重要。本文将探讨如何利用区块链或分布式账本技术...
-
深度学习模型安全性的未来挑战：对抗样本、数据投毒与模型窃取
深度学习模型在图像识别、自然语言处理等领域取得了显著的成功，但其安全性问题也日益凸显。随着深度学习模型应用场景的不断扩展，模型安全性的研究变得至关重要。本文将探讨深度学习模型安全性的未来挑战，主要关注对抗样本、数据投毒和模型窃取这三个方面...