利用隐私保护协作学习的私有数据集生成
机器学习
2020-04-29 v1 密码学与安全
机器学习
摘要
随着深度学习算法在诸多应用中的日益使用，与隐私和对抗攻击相关的新研究问题不断涌现。然而，深度学习算法的改进需要研究界共享越来越多数据。联邦学习、差分隐私、加法秘密共享等方法提供了在边缘训练机器学习模型而不移动数据的方式。但其计算密集且易受对抗攻击。因此，本工作引入一种隐私保护FedCollabNN框架，用于在边缘训练机器学习模型，该框架计算高效且对对抗攻击鲁棒。使用MNIST数据集的仿真结果显示了该框架的有效性。
引用
@article{arxiv.2004.13598,
title = {Private Dataset Generation Using Privacy Preserving Collaborative Learning},
author = {Amit Chaulwar},
journal= {arXiv preprint arXiv:2004.13598},
year = {2020}
}