如果一种同态加密算法支持对密文进行任意形式的计算,则称其为全同态加密(Fully Homomorphic Encryption, FHE);如果支持对密文进行部分形式的计算,例如仅支持加法、仅支持乘法或支持有限次加法和乘法,则称其为半同态加密或部分同态加密,英文简称为SWHE(Somewhat Homomorphic Encryption)或PHE(Partially Homomorphic Encryption)...
借助HE,可以通过密文执行关键的联合计算步骤,并且相关资产 (gradients 和 partial histograms) 经过加密,不会被其他方在计算期间学习。这为用户提供了数据安全保证,这是联邦学习的基本优势之一。 如本文所述,采用联合 XGBoost 的 CUDA 加速同态加密增加了数据隐私安全保护,与第三方解决方案相比,垂直 XGBoost 的速度提升...
人工智能隐私保护:同态加密和联邦学习 有助于提升人工智能的隐私性和安全性 这两种现有的新兴技术可有效保护人工智能应用中所使用的数据, 但目前的挑战在于如何增强其实际可行性 同态加密和联邦学习是两种不同但相关的技 术,其目的均在于解决同一个问题:如何 在执行机器学习等...
垂直联邦学习(Vertical Federated Learning, VFL)基于同态加密(Homomorphic Encryption, HE)的方案逐渐成为安全分布式机器学习的主流趋势。VFL解决了这样一个问题:多个数据拥有方(如公司或机构)持有垂直分割的数据,希望在不泄露原始数据的前提下协同训练模型。在基于HE的VFL过程中,原始数据在本地维护,只有用于计算模型更新的...
PrimiHub一款由密码学专家团队打造的开源隐私计算平台,专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。 联邦学习中的差分隐私与同态加密 随着数据的爆炸式增长和对个人隐私保护意识的提高,隐私保护在机器学习领域中变得愈发重要。联邦学习作为一种分散式机器学习框架,允许多个参与方在不共享原...
(二)联邦学习的安全机制 一、基于同态加密(Homomorphic Encryption, HE)的安全机制 同态加密的定义 同态加密的分类 部分同态加密PHE 些许同态加密SHE 全同态加密FHE 二、基于差分隐私(Differential Privacy, DP)的安全机制 中心化差分隐私 中心化差分隐私的(ϵ,δϵ,δ)-差分隐私定义...
同态加密的运算效率最近取得了重大提升，所以联邦学习就变成可以解决隐私，同时又可以解决小数据、数据孤岛问题的利器。联邦学习的概念最初由谷歌在2016年提出，在中国，香港科技大学讲席教授、微众银行首席人工智能官（CAIO）杨强教授算是联邦学习研究第一人。联邦学习可以让参与各方在不披露底层数据的前提下共建模型，...
(一)同态加密 同态加密是一种特殊的加密技术,它允许在加密数据上进行计算,并得到的结果仍然是加密的,但当解密后与在明文上进行相同计算得到的结果一致。这种特性使得同态加密在保护数据隐私的同时,实现了数据的计算和验证。 (二)联邦学习 联邦学习是一种分布式机器学习方法,其核心思想是在保持数据本地化的同时,通过...
联邦学习是指多个参与方可在保证各自数据隐私的同时实现联合机器学习建模,即在不获取对方原始数据的情况下利用对方数据提升自身模型的效果。想要实现这种构想,就必须要使用到相应的加密技术,而同态加密技术就是其中之一。 应用原因 在联邦学习中,多方联合训练模型一般需要交换中间结果,如果直接发送明文的结果可能会有隐私泄...
联邦学习是一种分布式机器学习方法,允许不同的参与者在本地训练模型并与中央服务器共享更新,而无需将数据进行集中存储。在此过程中,通信开销通常是影响整体效率的重要因素。通过同态加密技术,数据在传输和处理过程中不仅能够得到加密保护,还能够进行有效计算。然而,现有的方法在实际应用中面临着高昂的通信开销问题。