《隐私计算—联邦学习产品性能要求和测试方法》是2024年07月01日实施的一项中国行业标准。编制进程 2024年03月29日，《隐私计算—联邦学习产品性能要求和测试方法》发布。2024年07月01日，《隐私计算—联邦学习产品性能要求和测试方法》实施。起草工作 起草单位：中国信息通信研究院、深圳市腾讯计算机系统有限公司、华控...
扩展到联邦学习,是将当前的模型权重广播给一组随机的客户端,让它们各自计算本地数据上的损失梯度,在服务器上的客户端上平均这些梯度,然后更新全局模型权重。然而, 通常需要更多多次迭代才能产生高精度的模型。粗略的计算表明,在联邦学习环境下,一次迭代可能需要几分钟,这意味着联邦训练可能需要一个月到一年的时间,超出...
《隐私计算—联邦学习产品安全要求和测试方法》是2024年07月01日实施的一项中国行业标准。编制进程 2024年03月29日，《隐私计算—联邦学习产品安全要求和测试方法》发布。2024年07月01日，《隐私计算—联邦学习产品安全要求和测试方法》实施。起草工作 起草单位：中国信息通信研究院、阿里巴巴(中国)有限公司、深圳市腾讯...
“隐私安全计算方式”是指使用方把数据和模型放在这个隐私安全计算平台上后,通过隐私安全计算方式,包括多方安全计算 MPC/同态加密、联邦学习、安全沙箱计算/TEE 等技术,可以实现让原始数据不离开数据平台,数据在平台内授权使用,平台只输出数据价值。 这里的“隐私安全计算方式”不一定是单一的一个机器,可能是分布式的网络...
联邦学习正在应用到更多类型的数据和问题领域,甚至已经被认为是隐私计算的重要方式,即面向AI的隐私保护手段,个人精力所限,本文没有涉及联邦学习中个性化、健壮性、公平性和系统实现的挑战。关于联邦学习的实践,TensorFlow Federated 或许是一个不错的起点。
当然数据共享和数据联合建模是行业存在的一个共同问题,本文抛砖引玉的讲述如何利用fateAI构建一套自助的联邦学习平台,让具备数据能力的伙伴可以通过数据能力构建自己的生态。有更详细的产品与技术架构交流,欢迎叨扰, 视频播放量 98、弹幕量 0、点赞数 2、投硬币枚数 0、
隐私计算是个技术体系,不能混淆了安全多方计算、联邦学习、隐私计算概念间的关系,比如安全多方计算只是隐私计算的一个子集,联邦学习与安全多方计算也不是同一回事,虽然彼此也有联系。 多方安全计算 MPC(Secure Multi-Party Computation) 参与者在不泄露各自隐私数据情况下,利用隐私数据参与保密计算,共同完成某项计算任务。
隐私计算、多方安全计算、联邦学习等技术现在很火,但网上查的的资料要么太深看不懂,要么太浅搞不明白,要么太碎形不成体系,今天大鱼就用业务的语言给你彻底讲清楚。 注:关注公众号回复“隐私计算”可以获得最新的《中国隐私计算产业发展报...
隐私求交(Private Set Intersection, PSI)可能是被研究最多的具体的多方安全计算（Secure Multiparty ...
在联邦在线学习排序（FOLTR）的背景下，有一个关键问题：如何在不违反用户隐私权的前提下，从全局排序...