Clients Collaborate: Flexible Differentially Private Federated Learning with Guaranteed Improvement of Utility-Privacy Trade-off
Sun Yat-sen University（中山大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出联邦学习框架 FedCEO，通过服务器端张量低秩近端优化让客户端协作平滑全局语义空间，在严格差分隐私保证下恢复模型语义并改进效用-隐私权衡界。
2025-05-05 cs.AI cs.CR cs.LG
Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques
Chalmers University of Technology（楚尔姆斯理工大学）
Alt-FL通过基于轮次的保护技术交错，平衡联邦学习中的隐私、质量和效率，提供灵活的权衡方案。
2026-03-05 cs.LG
Personalized Federated Hierarchical Gaussian Processes for Privacy-Preserving Modeling of Heterogeneous Distributed Systems
Arizona State University（亚利桑那州立大学）
提出个性化联邦分层高斯过程，通过共享全局组件与局部残差分解实现异构客户端隐私保护的概率建模，在故障分类和空气质量建模中取得高效结果。
2026-09-18 cs.LG
FederatedScope: A Flexible Federated Learning Platform for Heterogeneity
Alibaba Group（阿里巴巴集团）
尽管现有的联邦学习（FL）平台在为开发提供基础设施方面取得了显著的进展，但这些平台可能无法很好地解决各种类型的异构性带来的挑战，包括参与者本地数据、资源、行为和学习目标的异构性。为了填补这一空白，在本文中，我们提出了一种新的FL平台，名为FederatedScope，它采用了事件驱动的架构，为用户提供了极大的灵活性，独立地描述不同参与者的行为。这样的设计使得用户可以很容易地描述具有各种本地培训过程、学习目标和后端的参与者，并将其协调到具有同步或异步培训策略的FL课程中。FederatedScope是一个易于使用和灵活的平台，支持丰富类型的插件操作和组件，以实现高效的进一步开发，我们已经实现了几个重要组件，以更好地帮助用户进行隐私保护，攻击模拟和自动调优。我们在https://github.com/alibaba/FederatedScope上发布了FederatedScope，以促进联邦学习在各种场景中的学术研究和工业部署。
2022-11-15 cs.LG
Resource-Adaptive Federated Text Generation with Differential Privacy
Oak Ridge National Laboratory（奥克伍德国家实验室）
本文提出了一种资源自适应的联邦文本生成框架，通过差分隐私机制和轻量级投票机制，提升在计算异质性和隐私保护下的分布对齐和下游任务鲁棒性。
2026-03-07 cs.LG
Differentially Private Variational Dropout
Boğaziçi University（海峡大学）
具有大量参数的深度神经网络是高度灵活的学习系统。这种网络的高度灵活性带来了一些严重的问题，如过拟合，正则化被用来解决这个问题。目前流行的一种有效的正则化技术是dropout。通常，神经网络所需的大量数据集合包含敏感信息，例如患者的病史，并且应该保护训练数据的隐私。在本文中，我们修改了最近提出的变分辍学技术，提供了一个优雅的贝叶斯解释辍学，并表明，在变分辍学的固有噪声可以利用，以获得一定程度的差分隐私。训练神经网络的迭代性质对隐私保护估计提出了挑战，因为多次迭代增加了添加的噪声量。我们克服了这一点，使用一个宽松的概念，差分隐私，称为集中差分隐私，它提供了更严格的估计整体隐私损失。我们在基准数据集上证明了我们的隐私保护变分丢弃算法的准确性。
2017-12-16 cs.LG stat.ML
Practical and Private (Deep) Learning without Sampling or Shuffling
Google（谷歌）
我们考虑使用小批量梯度训练具有差分隐私（DP）的模型。现有的最先进的差分私有随机梯度下降（DP-SGD）需要通过采样或混洗来进行隐私放大，以获得最佳的隐私/准确性/计算权衡。不幸的是，在重要的实际场景中，特别是联邦学习（FL）中，很难获得对精确采样和洗牌的精确要求。我们设计和分析了一个DP的变种，跟随正规化的领导者（DP-FTRL），比较有利（理论和经验）放大DP-SGD，同时允许更灵活的数据访问模式。DP-FTRL不使用任何形式的隐私放大。该代码可在https://github.com/google-research/federated/tree/master/dp_ftrl和https://github.com/google-research/DP-FTRL上获得。
2021-12-10 cs.CR cs.LG
Simulation-based Bayesian Inference from Privacy Protected Data
Purdue University（普渡大学）；University of Chinese Academy of Sciences（中国科学院大学）
针对隐私保护数据难以进行有效统计推断的问题，提出基于仿真的贝叶斯推断方法，结合序列蒙特卡洛和神经条件密度估计器，在传染病模型和线性回归上验证了纠正隐私偏差的可行性。
2025-03-29 cs.LG stat.CO stat.ML
Decentralized and Privacy-Preserving Learning of Approximate Stackelberg Solutions in Energy Trading Games with Demand Response Aggregators
Georgia Institute of Technology（佐治亚理工学院）
针对DR聚合商与产消者的双向能源交易，提出去中心化隐私保护的Stackelberg博弈框架及可扩展在线学习算法，并通过真实市场与校园数据验证其有效性。
2023-12-21 cs.GT cs.LG
Model Agnostic Differentially Private Causal Inference
Inria, Université de Montpellier, INSERM, France（Inria、蒙彼利埃大学、INSERM、法国）
本文提出了一种无模型差分隐私因果推断框架，通过分离干扰估计与隐私保护，实现了对平均治疗效应的隐私保护估计，并在合成和真实数据上验证了其有效性。
2026-01-30 cs.LG stat.ML
Not All Attributes are Created Equal: $d_{\mathcal{X}}$-Private Mechanisms for Linear Queries
ISAE-SUPAERO（法国国立高等航空航天学院）；Data61, CSIRO（数据61中心（联邦科学与工业研究组织））；Macquarie University（麦考瑞大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
差分隐私提供了强大的隐私保证，同时能够从敏感数据集获得有用的见解。但是，它为数据中的所有元素（个体和属性）提供相同级别的保护。在一些实际场景中，某些数据属性需要比其他数据属性更多/更少的保护。在本文中，我们认为$d_{\mathcal{X}}$ -隐私，隐私概念的实例介绍了\cite{chatzikokolakis2013broadening}，它允许这种灵活性，指定一个单独的隐私预算的每对元素在数据域。我们描述了一个系统的程序来定制任何现有的差分私有机制，假设一个查询集和一个敏感度向量作为其$d_{\mathcal{X}}$私有变体的输入，特别是专注于线性查询。我们提出的Meta程序具有广泛的应用，线性查询形成了一系列数据分析和机器学习算法的基础，并且能够在数据域中定义更灵活的隐私预算，从而改善了这些应用中的隐私/效用权衡。我们提出了几个$d_{\mathcal{X}}$ -private机制，并提供理论保证的效用和隐私之间的权衡。我们还通过实验证明了我们的程序的有效性，通过评估我们提出的$d_{\mathcal{X}}$ -私人拉普拉斯机制在合成和真实的数据集上使用一组随机生成的线性查询。
2019-08-28 cs.LG stat.ML
Certified Robustness to Adversarial Examples with Differential Privacy
Columbia University（哥伦比亚大学）
欺骗机器学习模型，特别是深度神经网络的对抗性示例一直是人们强烈研究的主题，攻击和防御都在紧密的来回发展。过去的大多数防御都是尽力而为的，并且已经被证明容易受到复杂的攻击。最近引入了一组经过认证的防御，它们提供了对范数有界攻击的鲁棒性保证，但它们要么不能扩展到大型数据集，要么在它们可以支持的模型类型方面受到限制。本文提出了第一个认证的防御，既可以扩展到大型网络和数据集（例如Google的Inception网络ImageNet），又可以广泛应用于任意模型类型。我们的防御称为PixelDP，基于对抗性示例的鲁棒性和差分隐私之间的新型联系，差分隐私是一种受密码学启发的形式主义，为防御提供了严格，通用和灵活的基础。
2019-05-29 cs.AI cs.CR cs.LG
Introducing Federated Learning into Internet of Things ecosystems -- preliminary considerations
Systems Research Institute Polish Academy of Sciences（波兰科学院系统研究所）；Warsaw University of Technology（华沙理工大学）；TwoTronic Gmbh（TwoTronic有限公司）；Prodevelop（Prodevelop公司）
联邦学习（FL）是为了在分布式环境下进行模型训练而提出的。它支持保护（本地）数据隐私，并使用本地资源进行模型训练。到目前为止，大多数研究都致力于“核心问题”，例如机器学习算法适应FL，数据隐私保护或处理客户端之间数据分布不均匀的影响。这一贡献是在一个实际的用例中，FL实际上是在物联网生态系统中部署的。因此，有些不同的问题，需要考虑，在文献中发现的流行的考虑之外，确定。此外，一个架构，使建设灵活，适应性强，FL解决方案的介绍。
2022-07-15 cs.LG
DER Forecast using Privacy Preserving Federated Learning
Massachusetts Institute of Technology（麻省理工学院）
随着分布式能源（DER）在电网边缘（包括可再生能源发电，灵活负荷和存储）的渗透，准确预测分布式发电和消费在消费者层面变得重要。然而，由于隐私问题，基于客户级数据的重复或大量传输的DER预测是不可行的。本文提出了一种分布式机器学习方法，即联邦学习，用于使用物联网节点网络进行DER预测，每个节点都传输消费和发电模式的模型，而不会泄露消费者数据。我们考虑了一个模拟研究，其中包括1000 DERs，并表明，我们的方法导致一个准确的预测，保护消费者隐私，同时仍然导致一个准确的预测。我们还评估了特定于电网的性能指标，如负载波动和负载削减，并表明我们的FL算法导致令人满意的性能。在Pecan street数据集上进行了仿真，验证了该方法在真实数据上的有效性。
2021-07-07 cs.DC cs.LG cs.SY
DP$^2$-VAE: Differentially Private Pre-trained Variational Autoencoders
现代机器学习系统在大型数据集上训练时取得了巨大的成功。然而，这些数据集通常包含敏感信息（例如医疗记录、人脸图像），导致严重的隐私问题。差分私有生成模型（DPGM）通过生成私有化的敏感数据来规避这种隐私问题。与其他差分隐私（DP）学习器类似，DPGM的主要挑战也是如何在效用和隐私之间实现微妙的平衡。我们提出了DP $^2$ -VAE，一种新的训练机制变分自编码器（VAE）与可证明的DP保证和改进的效用通过\emph{pre-training on private data}。在相同的DP约束条件下，DP $^2$ -VAE最小化了训练过程中的扰动噪声，从而提高了实用性。DP $^2$ -VAE非常灵活，易于适用于许多其他VAE变体。理论上，我们研究了预训练对私有数据的影响。从经验上讲，我们对图像数据集进行了广泛的实验，以说明我们在各种隐私预算和评估指标下优于基线。
2022-11-02 cs.CR cs.LG
S3ML: A Secure Serving System for Machine Learning Inference
Peking University（北京大学）；Ant Group（蚂蚁集团）
本文提出了一个面向机器学习推理的安全服务系统S3ML。S3ML在英特尔SGX安全区中运行机器学习模型，以保护用户隐私。S3ML设计了一个安全的密钥管理服务来构建灵活的隐私保护服务器集群，并提出了新的SGX感知的负载均衡和伸缩方法，以满足用户的服务水平目标。我们基于Kubernetes实现了S3ML，作为一个低开销，高可用性和可扩展的系统。我们证明了系统的性能和有效性的S3ML通过一系列广泛使用的模型上进行广泛的实验。
2020-10-13 cs.CR cs.LG
Communication-Efficient and Privacy-Preserving Decentralized Meta-Learning
Hong Kong University of Science and Technology（香港科技大学）
针对分布式元学习中通信成本高与隐私保护需求，提出引入本地辅助参数和随机扰动的LoDMeta算法，在保证准确率与中心化方法相当的同时，实现通信高效与隐私保护。
2024-06-19 cs.CR cs.DC cs.LG
Scalable Differentially Private Data Compression via Diffusion and Stochastic Codes
Imperial College London（帝国理工学院）
针对高维数据压缩难题，提出结合随机码与扩散模型的DP-DiPP压缩管道，通过扩展泊松私有表示并结合DiffC，实现差分隐私图像压缩，实验表明其性能远超基线。
2026-07-07 cs.CR cs.LG
Deep Learning Application in Security and Privacy -- Theory and Practice: A Position Paper
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
技术正在以多种方式塑造我们的生活。这是由技术基础设施推动的，既有传统的，也有最先进的，由硬件，软件，服务和组织的异构组组成。这些基础设施的运营面临着各种各样的挑战，包括安全、隐私、弹性和服务质量。其中，网络安全和隐私占据了中心地位，特别是自《通用数据保护条例》（GDPR）生效以来。传统的安全和隐私技术已经捉襟见肘，敌对行为者已经发展到设计绕过保护的利用技术。随着技术基础设施的日益复杂，安全和隐私保护专家已经开始寻找适应性强且灵活的保护方法，这些方法可以随着敌对行为者改变其技术而演变（可能是自主的）。为此，人工智能（AI）、机器学习（ML）和深度学习（DL）被提出作为救星。在本文中，我们研究了学术和工业文献中陈述的AI，ML和DL的承诺，并评估它们的现实程度。我们还提出了潜在的挑战，基于DL的安全和隐私保护技术必须克服。最后，我们总结了DL和安全和隐私保护社区必须采取的步骤，以确保DL不仅仅是炒作，而是建立一个安全，可靠和值得信赖的技术基础设施的机会，我们可以在生活中依赖它。
2018-12-01 cs.AI cs.CR cs.LG
Privacy-Preserving Model Transcription with Differentially Private Synthetic Distillation
Institute of Information Engineering at Chinese Academy of Sciences（中国科学院信息工程研究所）；Beijing Institute of Astronautical Systems Engineering（北京航天系统工程研究所）；Trustworthy Machine Learning Lab, School of Computer Science, The University of Sydney（悉尼大学计算机科学学院可信机器学习实验室）
本文提出差分隐私合成蒸馏方法，通过生成器和对抗训练实现隐私保护的模型转换，实验表明其在性能和隐私保护方面优于现有方法。
2026-01-27 cs.AI cs.CV cs.LG
FedQAS: Privacy-aware machine reading comprehension with federated learning
Uppsala University, Sweden（瑞典乌普萨拉大学）；Scaleout Systems, Sweden（瑞典Scaleout Systems公司）；Department of Information Technology（信息技术系）；Division of Scientific Computing（科学计算部）
文本数据的机器阅读理解（MRC）是自然语言理解的一个重要任务。这是一个复杂的NLP问题，随着斯坦福问答数据集（SQuAD）和会话式问答（CoQA）的发布，许多研究正在进行中。它被认为是教计算机如何“理解”文本，然后能够使用深度学习回答有关文本的问题的努力。然而，到目前为止，关于私人文本数据和知识共享的大规模培训一直缺乏这个NLP任务。因此，我们提出了FedQAS，这是一个保护隐私的机器阅读系统，能够利用大规模的私有数据，而不需要将这些数据集集中在一个中心位置。该方法结合了Transformer模型和联邦学习技术。该系统使用FEDn框架开发，并作为概念验证联盟计划部署。FedQAS是灵活的，语言无关的，并允许直观的参与和执行本地模型训练。此外，我们提出了该系统的架构和实现，以及提供一个基于SQUAD数据集的参考评估，以展示它如何克服数据隐私问题，并在联邦学习环境中实现联盟成员之间的知识共享。
2022-02-09 cs.AI cs.CL cs.LG
Clustered Federated Learning: Model-Agnostic Distributed Multi-Task Optimization under Privacy Constraints
Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Technische Universität Berlin（柏林工业大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Korea University（高丽大学）
联邦学习（FL）是目前最广泛采用的用于在隐私约束下协作训练（深度）机器学习模型的框架。尽管联邦学习很受欢迎，但据观察，如果本地客户端的数据分布出现分歧，它会产生次优结果。为了解决这个问题，我们提出了一种新的联邦多任务学习（FMTL）框架，即分布式联邦学习（CFL），它利用FL损失表面的几何特性，将客户端群体分组为具有联合可训练数据分布的集群。与现有的FMTL方法相比，CFL不需要对FL通信协议进行任何修改，适用于一般的非凸目标（特别是深度神经网络），并且具有对聚类质量的强数学保证。CFL足够灵活，可以处理随时间变化的客户端人群，并且可以以隐私保护的方式实现。由于只有在联邦学习收敛到一个固定点后才执行聚类，因此CFL可以被视为一种后处理方法，通过允许客户端到达更专业的模型，它始终可以实现比传统FL更高或相等的性能。我们在常用的联邦学习数据集上使用深度卷积和递归神经网络进行实验，验证了我们的理论分析。
2019-10-04 cs.DC cs.LG stat.ML
EFMVFL: An Efficient and Flexible Multi-party Vertical Federated Learning without a Third Party
InsightOne Tech Co, Ltd（InsightOne科技有限公司）
针对现有VFL框架依赖第三方且通信开销大或不适用于多方的问题，结合秘密共享与同态加密提出无需第三方的EFMVFL框架，支持低通信开销的多方灵活扩展，适用于广义线性模型，实验证明其安全高效。
2022-01-17 cs.CR cs.LG
Real-Time Privacy-Preserving Data Release for Smart Meters
McGill University（麦吉尔大学）；CentraleSupélec（中央理工-高等电力学院）；CNRS（法国国家科学研究中心）；Université Paris Sud（巴黎第十一大学）；Montreal Institute for Learning Algorithms (Mila)（蒙特利尔学习算法研究所）；Université de Montréal（蒙特利尔大学）
智能电表（SM）能够几乎实时地与公用事业提供商共享用户的电力消耗。这些细粒度的信号携带着用户的敏感信息，从隐私的角度来看，这引起了严重的关注。在本文中，我们专注于实时隐私威胁，即，试图以在线方式从SM数据推断敏感信息的潜在攻击者。我们采用了信息理论的隐私措施，并表明它有效地限制了任何攻击者的性能。然后，我们提出了一个通用的配方来设计一个私有化机制，可以提供一个目标水平的隐私，通过添加最小量的失真的SMs测量。另一方面，为了应付不同的应用，灵活的失真措施被认为是。这个公式导致了一个通用的损失函数，它使用深度学习对抗框架进行了优化，其中两个神经网络-被称为攻击者和对手-被训练为相反的目标。一个详尽的实证研究，然后进行验证所提出的方法的性能，并比较它与国家的最先进的方法的占用检测隐私问题。最后，我们还研究了攻击者和攻击者之间数据不匹配的影响。
2021-11-25 cs.CR cs.IT cs.LG
Holonic Learning: A Flexible Agent-based Distributed Machine Learning Framework
Purdue University（普渡大学）
本文提出基于整子概念的分布式隐私保护学习框架 HoL，并通过加权聚合变体 HoloAvg 在 MNISt 的 IID/Non-IID 设置下验证其收敛性与竞争力。
2023-12-29 cs.AI cs.DC cs.LG
Federated Neural Nonparametric Point Processes
Macquarie University（麦考瑞大学）；Aalborg University（奥胡斯大学）；Renmin University of China（中国人民大学）；Iowa State University（爱荷华州立大学）
FedPP通过整合神经嵌入和SGCPs，有效解决联邦系统中稀疏和不确定事件建模问题，提升隐私保护与个性化性能。
2025-01-20 cs.AI cs.CR cs.LG
FFPDG: Fast, Fair and Private Data Generation
Amazon（亚马逊公司）
针对现有GAN方法在合成数据生成中存在的偏见、高计算资源消耗及隐私问题，提出一种快速、公平、灵活且隐私的数据生成方法FFPDG，理论及实验证明其有效，且在真实场景中表现良好。
2023-06-30 cs.AI cs.LG
Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）；Department of Psychiatry, University of Oxford（牛津大学精神病学系）；Department of Diabetes & Endocrinology, University College London Hospitals（伦敦大学学院医院糖尿病与内分泌科）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
针对1型糖尿病新患者血糖预测冷启动问题与隐私保护需求，提出异步去中心化联邦学习方法GluADFL，在多数据集上性能优于基线，支持不同网络拓扑与灵活参与，为隐私保护的跨患者血糖预测提供实用方案。
2024-06-21 cs.AI cs.LG
Graphical vs. Deep Generative Models: Measuring the Impact of Differentially Private Mechanisms and Budgets on Utility
University College London（伦敦大学学院）；Hazy；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；University of California, Riverside（加州大学河滨分校）
本文对比了图模型与深度生成模型在差分隐私下的隐私预算分配方式，揭示了数据维度、DP机制对效用的影响，发现低隐私级别有时能提升泛化，为不同场景选择最佳DP合成数据模型提供了指导。
2024-08-28 cs.CR cs.LG
MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
Université Paris-Saclay（巴黎-萨克雷大学）；CEA（法国原子能和替代能源委员会）；CNRGH（国家人类基因组研究中心）
该研究针对联邦学习在医疗保健和基因组学等领域的安全隐私挑战，提出MOSAIC-FL框架，集成gRPC通信层等，用CKKS同态加密系统变体实现盲模型聚合，经多种用例验证其有效性，能确保安全并减轻密钥恢复攻击。
2026-07-29 cs.CR cs.LG
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST（香港科技大学计算机科学与工程系）
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题，提出用户同意的联邦推荐系统UC-FedRec，通过最小化准确度代价灵活满足隐私需求，实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
Federated Foundation Models: Privacy-Preserving and Collaborative Learning for Large Models
Iowa State University（爱荷华州立大学）；Intel Labs（英特尔研究院）
本文提出联邦基础模型（FFMs）范式，结合基础模型与联邦学习实现隐私保护与协作学习，探讨预训练、微调及联邦提示微调等未来方向，并展望边缘计算下的持续学习潜力。
2024-03-19 cs.AI cs.CR cs.LG
Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning
University of Florida（佛罗里达大学）
针对多模态联邦学习中均匀分配计算资源效率低的问题，提出FlexMod方法，结合原型学习、Shapley值与DDPG自适应分配训练资源，在三个真实数据集上显著提升模型性能与资源利用率。
2024-08-13 cs.DC cs.LG
Fedward: Flexible Federated Backdoor Defense Framework with Non-IID Data
Fuzhou University（福州大学）；Deakin University（迪肯大学）
针对联邦后门攻击，提出灵活防御框架Fedward，通过AmGrad和AutoOPTICS应对各类攻击，并利用自适应裁剪维持Non-IID场景性能，在多个数据集上显著降低攻击成功率。
2023-07-01 cs.CR cs.LG
TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series
Aalto University（阿尔托大学）；The University of Manchester（曼彻斯特大学）
针对时间序列数据稀缺敏感、难以共享及应用数据密集型方法的问题，提出开源框架TSGM，集成多种生成方法与多维度质量评估，支持扩展与命令行操作，经公开数据集和生产验证有效。
2024-07-09 cs.LG stat.ML
Personalized Federated Learning via Stacking
提出一种基于堆叠泛化的个性化联邦学习方法，客户端交换隐私保护模型作为基础模型训练元模型，适用于多种数据划分和隐私技术，并支持贡献评估。
2024-04-21 cs.CR cs.DC cs.LG
MORF: A Framework for Predictive Modeling and Replication At Scale With Privacy-Restricted MOOC Data
The University of Michigan（密歇根大学）；The University of Pennsylvania（宾夕法尼亚大学）
来自大规模在线开放课程（MOOC）等在线学习平台的大数据存储库代表了一个前所未有的机会，可以大规模推进教育研究，并影响全球学习者。到目前为止，这种研究一直受到重现性差和缺乏复制的阻碍，主要是由于三种类型的障碍：实验，推理和数据。我们提出了一个新的大规模计算研究系统，MOOC复制框架（MORF），以共同解决这些障碍。我们讨论MORF的架构，一个开源的平台即服务（PaaS），其中包括一个简单，灵活的软件API提供多种模式的研究（预测建模或产生式规则分析）集成了一个高性能的计算环境。在MORF上进行的所有实验都使用可执行的Docker容器，这确保了完全的可重复性，同时允许使用可以安装在基于Linux的Docker容器中的任何软件或语言。每个实验工件都分配了一个DOI，并公开提供。MORF有潜力加速其大规模数据库的研究并使其民主化，该数据库目前包括200多个MOOC，正如在该平台上进行的初步研究所证明的那样。我们还强调的方式，MORF代表一个解决方案模板，在其他领域的计算研究人员所面临的更一般的一类问题。
2018-08-21 cs.CY cs.LG cs.SE
Federated Learning is Better with Non-Homomorphic Encryption
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；Saudi Data and AI Authority（沙特数据与人工智能管理局）
本文提出一种将置换压缩器与经典密码学结合的联邦学习框架，以低成本替代同态加密，在保障训练安全的同时支持异步通信和灵活部署。
2023-12-04 cs.CR cs.LG math.OC
REWIND Dataset: Privacy-preserving Speaking Status Segmentation from Multimodal Body Movement Signals in the Wild
TU Delft（代尔夫特理工大学）；Instituto Tecnologico de Costa Rica（哥斯达黎加技术学院）
本文构建含33人高质量个人语音的公开多模态 REWIND 数据集，并提出视频、加速度和姿态三类无音频基线，以20Hz真值评估隐私保护的说话状态分割。
2024-03-02 cs.AI cs.CV cs.LG
