A Practical Solution to Yao's Millionaires' Problem and Its Application in Designing Secure Combinatorial Auction
电子商务和电子投票平台的出现导致互联网上的敏感信息数量增加。这导致对安全和私密的信息计算手段的需求增加。对此，姚氏百万富翁的问题，即，为了安全地确定两个百万富翁中的富人，找到了一个应用程序。在这项工作中，我们提出了一个新的解决方案，姚的百万富翁的问题，即隐私保护比较（PPC）。我们表明，PPC实现这种比较在恒定的时间，以及在一个执行。PPC使用半诚实的第三方进行比较，这些第三方不了解有关值的任何信息。此外，我们还证明了PPC是抗合谋的。为了证明PPC的重要性，我们提出了一个安全的，近似的单一的组合拍卖，我们称之为TPACAS，即，真实的，隐私保护近似组合拍卖为单一的头脑投标人。我们表明，TPACAS，不像以前的作品，保留了以下相关的拍卖隐私：代理隐私，失败的投标人的身份必须不透露给任何其他代理除了拍卖人（AU），投标隐私，投标值必须隐藏从其他代理以及AU和投标拓扑隐私，必须对其他代理以及AU隐藏代理正在竞价的项目。我们通过仿真证明了TPACAS的实用性。最后，我们还研究了TPACAS在公共分布式账本上的实现，例如以太坊区块链。
2019-06-15 cs.CR
Extended Combinatorial Constructions for Peer-to-peer User-Private Information Retrieval
我们认为用户私有信息检索（UPIR），一个有趣的替代私人信息检索（PIR）引入Domingo-Ferrer等人。在UPIR中，数据库知道哪些记录已被检索，但不知道查询发布者的身份。UPIR的目标是从数据库中隐藏用户简档。Domingo-Ferrer等人重点是使用对等社区来构建UPIR方案，我们称之为P2P UPIR。在本文中，我们建立了一个加强模型P2P UPIR和澄清的隐私目标，这些计划使用标准的隐私研究领域的术语。特别是，我们认为，任何解决方案提供对数据库的隐私应尽量减少对其他用户的任何相应的隐私损失。我们分析了现有的计划，包括一个新的攻击的数据库。最后，我们介绍和分析了两个新的协议。而以前的工作集中在一种特殊类型的组合设计称为配置，我们的协议使用更一般的设计。这允许协议设置的灵活性，允许在具有动态方案（其中允许用户进入和离开系统）或提供针对其他用户的增加的隐私之间进行选择。
2012-07-03 cs.CR
Data Privacy in Multi-Cloud: An Enhanced Data Fragmentation Framework
数据拆分通过将数据划分为各种片段进行远程存储和共享来保护隐私。它支持大多数数据操作，因为数据可以以明文存储，而不是依赖于加密的方法。然而，大多数现有的数据拆分技术不考虑已经在多云中的数据。这导致不必要地使用资源来将数据重新拆分为片段。这项工作提出了一个利用多云中现有数据的数据拆分框架。它通过减少拆分操作和产生的碎片的数量来改进数据拆分机制。因此，减少数据所有者管理的存储位置的数量。广播查询定位第三方数据片段，以避免在分割数据时进行代价高昂的操作。这项工作探讨了使用第三方片段和应用现有的数据分割技术的考虑因素。拟议的框架也适用于现有的数据拆分机制，以补充其功能。
2022-11-18 cs.CR cs.DC
CryptoMaze: Privacy-Preserving Splitting of Off-Chain Payments
为实现支付通道网络（PCN）中的链下交易而开发的支付协议假设底层路由算法通过单个路径传输支付，但是路径可能没有足够的容量来路由交易。不可避免地要将支付分成多个路径。如果我们在每个路径上运行协议的独立实例，则执行可能会在某些路径上失败，导致部分资金转移。付款人必须为剩余金额重新尝试整个过程。我们提出了一个安全和隐私保护的支付协议，CryptoMaze。而不是独立的路径，资金从发送者转移到接收者通过几个支付渠道负责路由，在广度优先的方式。与现有的最先进技术相比，支付解决速度更快，设置成本更低。部分支付之间的相关性被捕获，保证原子性。此外，双方ECDSA签名用于在参与支付的各方之间建立无脚本锁。它通过利用核心比特币脚本来减少空间开销。我们在通用可组合性框架中提供了一个正式的模型，并说明了CryptoMaze实现的隐私目标。我们比较我们的协议与现有的单路径为基础的支付协议，多跳HTLC，迭代应用在一个路径上的时间在几个实例的性能。据观察，CryptoMaze需要更少的通信开销和更低的执行时间，证明了效率和可扩展性。
2022-02-05 cs.CR
Differentially Private Combinatorial Cloud Auction
云服务提供商通常向具有各种需求的云用户提供不同类型的虚拟机（VM）。由于其有效性和公平性，拍卖在这种异构资源分配中得到了广泛的应用。最近，已经提出了几种防策略的组合云拍卖机制。然而，它们未能保护用户的出价隐私不被从拍卖结果推断。在本文中，我们设计了一个差分私有组合云拍卖机制（DPCA）来解决这个隐私问题。从技术上讲，我们采用指数机制来计算结算单位价格向量，其概率与相应的收入成正比。我们进一步改进的机制，以减少运行时间，同时保持高收入，通过计算一个单一的结算单位价格，或一个子组的结算单位价格在同一时间，分别在改进后的机制DPCA-S和它的广义版本DPCA-M。从理论上证明了该机制能够保证差分隐私、近似真实性和高收益。大量的实验结果表明，DPCA可以以相对较高的时间复杂度为代价获得接近最优的拍卖收益，而改进的机制实现了拍卖收益和运行时间之间的可调权衡。
2020-01-03 cs.CR
Individualized Privacy Accounting via Subsampling with Applications in Combinatorial Optimization
本文提出基于子采样的个性化隐私核算新技术，将单边DP转化为双边DP，从而为组合优化问题（如可分解子模最大化和集合覆盖）及流中移动重击手问题提供纯DP算法，误差渐近紧且优于先前的近似DP方法。
2024-05-28 cs.CR cs.DS
DuetFace: Collaborative Privacy-Preserving Face Recognition via Channel Splitting in the Frequency Domain
Fudan University（复旦大学）；Tencent Youtu Lab（腾讯优图实验室）
随着人脸识别系统的广泛应用，人们越来越担心原始人脸图像可能会暴露于恶意意图，从而导致个人隐私泄露。本文介绍了DuetFace，一种新的隐私保护的人脸识别方法，采用协同推理在频域。从一个违反直觉的发现开始，人脸识别可以实现令人惊讶的良好性能，只有视觉上无法区分的高频通道，这种方法设计了一个可信的分裂频率通道的关键性可视化和操作的服务器端模型上的非关键通道。然而，由于缺少视觉信息，该模型对面部特征的关注度降低。为了补偿，该方法引入了一个插件的交互式块，以允许注意力从客户端转移，通过产生一个功能掩模。通过导出和覆盖面部感兴趣区域（ROI）来进一步细化掩模。在多个数据集上进行的大量实验验证了所提出的方法在保护人脸图像免受不期望的视觉检查、重建和识别方面的有效性，同时保持了高的任务可用性和性能。实验结果表明，该方法的识别精度和计算量与未受保护的ArcFace相当，并且优于现有的隐私保护方法。源代码可在https://github.com/Tencent/TFace/tree/master/recognition/tasks/duetface上获得。
2022-07-15 cs.AI cs.CR cs.CV
Differentially Private Combinatorial Optimization
请考虑以下问题：给定一个度量空间，其中一些点是"客户端"，打开一组至多$k$设施，以最小化从客户端到这些设施的平均距离。这正是研究得很好的$k$-中值问题，对于该问题，已知许多近似算法和硬度结果。请注意，目标函数鼓励在有许多客户的地区开设设施，并且给定解决方案，通常可以很好地了解客户所在的位置。然而，这造成了以下困境：如果客户端的身份是我们希望保密的敏感信息，该怎么办？有没有可能为这个问题设计好的算法来保护客户的隐私？在本文中，我们发起了一个系统的研究离散优化问题的算法的框架内的差分隐私（形式化的想法，保护个人输入元素的隐私）。我们发现，许多这样的问题确实有很好的近似算法，保持差分隐私，这是即使在情况下，它是不可能保持加密的隐私定义，而计算任何非平凡的近似，甚至最佳解决方案的值，更不用说整个解决方案。除了$k$-中位数问题，我们研究的问题，顶点和集覆盖，最小割，设施的位置，Steiner树，和最近推出的子模块最大化问题，"组合公共项目"（CPP）。
2009-11-11 cs.CR cs.DS cs.GT
Securely Solving the Distributed Graph Coloring Problem
组合优化是许多领域的基本问题。在许多现实生活中的情况下，约束和目标函数形成的优化问题，自然分布在不同的网站以某种方式。解决此类问题的典型方法是将所有这些信息收集在一起并集中解决问题。但是，这需要各方完全共享他们的信息，这可能会导致严重的隐私问题。因此，期望提出一种能够安全地解决特定组合优化问题的隐私保护技术。另一个复杂的因素是，组合优化问题通常是NP难的，需要近似算法或数学方法来提供实际的解决方案。在本文中，我们专注于一个非常有名的硬问题-分布式图着色问题，它已被用来模拟许多现实世界中的调度和资源分配问题。我们提出了有效的协议，安全地解决这样的基本问题。我们分析了我们的方法的安全性和实验证明我们的方法的有效性。
2018-03-15 cs.CR
PRSI: Privacy-Preserving Recommendation Model Based on Vector Splitting and Interactive Protocols
School of computer Science and Engineering Sun Yat-sen University（中山大学计算机科学与工程学院）
针对联邦推荐系统（FedRec）的隐私泄露问题及单用户交互数据下的训练挑战，本文提出PRSI隐私保护推荐系统，通过预处理模块、两阶段交互协议实现隐私保护，并验证其安全性、准确性和通信成本。
2024-11-27 cs.AI cs.CR
Scalable and Privacy-preserving Design of On/Off-chain Smart Contracts
以太坊等智能合约系统的兴起导致了基于区块链的去中心化应用程序的激增，包括存储和管理各种数据的应用程序。目前的智能合约仅由矿工执行，并完全在链上显示，导致可扩展性和隐私性降低。在本文中，我们讨论了智能合约的可扩展性和隐私性可以通过将给定合约拆分为链下合约和链上合约来增强。具体而言，涉及高成本计算或敏感信息的合约功能可以被拆分并包括为链下合约，仅由感兴趣的参与者签署和执行。所提出的方法允许参与者在所有人都诚实时在链下达成一致协议，从而节省矿工的计算资源，并对公众隐藏链下合同的内容。在任何不诚实的参与者引起争议的情况下，可以透露链下合同的签名副本，以便可以创建经过验证的实例，使矿工强制执行真实的执行结果。因此，诚实的参与者有能力纠正和惩罚任何欺诈或不诚实的行为，这激励所有参与者诚实地遵守商定的链下合同。我们讨论了将合同拆分为一对链上/链下合同的技术，并提出了一种机制来解决处理系统中不诚实参与者的挑战。我们使用示例智能合约对所提出的方法进行了实施和评估，证明了所提出的方法在以太坊中的有效性。
2019-02-23 cs.CR
Zone-Based Privacy-Preserving Billing for Local Energy Market Based on Multiparty Computation
针对本地能源市场投标偏差计费中的隐私问题，提出结合电网分区与多方计算的去中心化账单协议，并通过安全分析和5000用户实验验证其效率与部署可行性。
2023-07-17 cs.CR
Combinatorial Privacy: Private Multi-Party Bitstream Grand Sum by Hiding in Birkhoff Polytopes
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）
PolyVeil通过将私有位编码为Birkhoff多面体中的排列矩阵，实现k个客户端的隐私布尔求和，其双层架构提供完美安全性，但完整与压缩变体在隐私保证与低维性间存在根本矛盾。
2026-03-30 cs.CR cs.LG
Differential Privacy Meets Fixed Parameter Tractability: Algorithms and Lower Bounds
Google Research（谷歌研究院）
本研究将差分隐私与固定参数可解性结合，提出私有编码器-解码器框架，规避多项式时间近似障碍，并证明在Gap-ETH假设下存在表示无关的下界。
2026-09-14 cs.CR cs.DS
Privacy-Preserving Federated Learning on Partitioned Attributes
Shanghai Jiao Tong University（上海交通大学）；Ant Group（蚂蚁集团）
真实世界的数据通常按属性划分，并分布在不同的各方。联邦学习支持协作培训，而无需暴露本地数据或模型。正如我们通过设计攻击所展示的那样，即使有一小部分损坏的数据，对手也可以准确地推断出输入属性。我们引入了一个基于对抗学习的过程，该过程调整局部模型以释放隐私保护的中间表示。针对准确性下降的问题，提出了一种基于前后向分裂算法的防御方法，在前向和后向梯度下降步骤中分别处理准确性损失和隐私性损失，同时实现了两个目标。在各种数据集上进行的大量实验表明，我们的防御方法显著减轻了隐私泄露，对联邦学习任务的影响可以忽略不计。
2021-04-29 cs.CR cs.LG
G-Lox: Group-Adaptive, Privacy-Preserving Bridge Distribution with Two-Party Computation
University of Minnesota（明尼苏达大学）
提出G-Lox桥分发系统，通过两方安全计算实现隐藏的组级自适应分配，保护分发者盲性，支持阻塞报告、传输感知重分配和隐私保护组分裂。
2026-06-19 cs.CR
A Privacy-Preserving and Accountable Billing Protocol for Peer-to-Peer Energy Trading Markets
本文提出PA-Bill协议，通过同态加密与区块链技术结合通用成本分摊和争议解决机制，解决点对点能源交易中承诺与实际交付不符时的隐私保护与可问责计费问题。
2023-09-11 cs.CE cs.CR
Bilateral Differentially Private Vertical Federated Boosted Decision Trees
本文提出具有双边差分隐私保证的纵向联邦XGBoost变体MaskedXGBoost，通过构建位于零空间的校准噪声扰动中间信息，在保护隐私的同时实现了更优的效用与更低的计算开销。
2025-04-30 cs.CR
Understanding the Privacy-Preserving Potential of HTTP/2 Against Webpage Fingerprinting
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本研究聚焦HTTP/2的应用层防御，利用其特性模拟多种防御，通过统一蓝图评估其隐私-开销权衡，挖掘其抵御网页指纹识别的隐私保护潜力。
2026-09-07 cs.CR
Random Sampling Plus Fake Data: Multidimensional Frequency Estimates With Local Differential Privacy
通过本地差分隐私（LDP），用户可以将其数据私有化，从而在将其传输到服务器之前保证隐私属性（也称为aggregator）。LDP的一个主要目标是频率（或直方图）估计，其中聚合器估计每个可能值的用户数量。在实践中，当需要对人口进行内容丰富的研究时，人们对人口的多个属性感兴趣，也就是说，对多维数据（$d \geq 2$）感兴趣。然而，与单一属性的频率估计问题（大多数作品）相反，多维方面要求特别注意隐私预算。由于合成定理，这个值确实可以非常快地增长。据作者所知，有两种解决方案似乎突出了这项任务：1）为每个属性分配隐私预算，即，用$\fracε{d}$ -LDP（Sp1）发送每个值，以及2）随机采样单个属性并花费所有隐私预算来用$ε$ -LDP（Smp）发送它。虽然SMP增加了额外的采样误差，但它已被证明比以前的Spl解决方案提供更高的数据效用。然而，我们认为，聚合器（谁也被视为攻击者）是知道的采样属性及其LDP值，这是由一个“不太严格”的$e^ε$概率界（而不是$e^{ε/d}$）的保护。通过这种方式，我们提出了一种名为随机采样加假数据（RS+FD）的解决方案，它允许通过为每个非采样属性生成假数据来创建采样属性的不确定性; RS+FD进一步受益于采样放大。我们从理论上和实验上验证了我们提出的解决方案在合成和真实世界的数据集上，以表明RS+FD实现了几乎相同或更好的效用比最先进的Smp解决…
2021-09-15 cs.CR
Leveraging Randomness in Model and Data Partitioning for Privacy Amplification
Stanford University（斯坦福大学）；Microsoft（微软）
研究研究训练过程中随机性利用模型与数据划分分模型分区用于划分隐私放大\n作用
2025-06-01 cs.CR cs.LG
LDP-FL: Practical Private Aggregation in Federated Learning with Local Differential Privacy
Lehigh University（理海大学）；Samsung Research America（三星美国研究院）
在敏感用户数据上训练机器学习模型已经在许多领域引起了越来越多的隐私问题。联邦学习是一种流行的隐私保护方法，它收集局部梯度信息而不是真实数据。实现严格隐私保证的一种方法是将局部差分隐私应用到联邦学习中。然而，以前的作品没有给出一个实际的解决方案，由于三个问题。首先，噪声数据以高概率接近其原始值，增加了信息暴露的风险。第二，将大的方差引入估计的平均值，导致精度差。最后，由于深度学习模型中权重的高维性，隐私预算爆炸式增长。针对上述问题，提出了一种新的联邦学习局部差分隐私机制设计。它能够使数据与其原始值更加不同，并引入较低的方差。此外，所提出的机制通过分裂和洗牌模型更新绕过维数灾难。在MNIST、Fashion-MNIST和CIFAR-10三个常用数据集上的一系列实证评估表明，我们的解决方案不仅可以实现卓越的深度学习性能，同时还可以提供强大的隐私保障。
2021-05-21 cs.CR cs.LG
PrivDPR: Synthetic Graph Publishing with Deep PageRank under Differential Privacy
本文提出PrivDPR，一种基于深度PageRank的差分隐私合成图发布方法，通过向特定权重梯度加噪并利用权重归一化缓解高敏感性与隐私预算分割问题，实验证明其在多个图结构属性上保持高效用。
2025-01-04 cs.CR cs.DB
SECO: Secure Inference With Model Splitting Across Multi-Server Hierarchy
针对预测即服务中的隐私问题，提出安全推理协议SECO，通过多服务器层级分割神经网络模型，结合多方同态加密与混淆电路，在不泄露数据与模型隐私的前提下协作完成推理，并降低用户端的计算与通信开销。
2024-04-24 cs.CR cs.DC
Privacy-Preserving Quantum Annealing for Quadratic Unconstrained Binary Optimization (QUBO) Problems
针对第三方量子退火服务中QUBO问题泄露用户隐私的风险，提出结合按位分割与矩阵置换的隐私保护框架，通过混淆模型矩阵$Q$有效隐藏元素并高精度重构原始解。
2024-09-27 cs.CR quant-ph
Privacy-Preserving Image Sharing via Sparsifying Layers on Convolutional Groups
Harvard University（哈佛大学）
我们提出了一个实用的框架来解决大规模设置中的隐私感知图像共享问题。我们认为，虽然紧凑性总是希望在规模，这种需要是更严重的，当试图进一步保护隐私敏感的内容。因此，我们对图像进行编码，这样，一方面，表示存储在公共领域，而无需支付隐私保护的巨大成本，但模糊的，因此从图像中没有泄漏可辨别的内容，除非组合昂贵的猜测机制可供攻击者使用。另一方面，授权用户被提供有可以容易地保持安全的非常紧凑的密钥。这可以用于消除歧义并忠实地重建相应的访问授权图像。我们通过我们设计的卷积自动编码器实现了这一点，其中特征图通过稀疏化变换独立传递，提供多个紧凑代码，每个代码负责重建图像的不同属性。该框架在一个大型图像数据库上进行了测试，并提供了公共实现。
2020-02-04 cs.CR cs.CV eess.IV
Seeking Consensus on Subspaces in Federated Principal Component Analysis
针对联邦PCA中隐私保护与通信效率难以兼顾的问题，提出通过子空间相等达成共识的类ADMM算法，并证明其隐私性、收敛性及更低通信开销。
2022-12-02 cs.CR cs.DC math.OC
HushRelay: A Privacy-Preserving, Efficient, and Scalable Routing Algorithm for Off-Chain Payments
支付通道网络（PCN）用于加密货币，以提高链下交易的性能和可扩展性。除了打开和关闭支付通道外，区块链中不会记录PCN接受的其他交易请求。只有打开通道的一方才知道在给定时刻剩下的确切资金数额。在实际情况中，可能不存在可以实现高价值支付转移的单一路径。对于这种情况，将交易价值分割到多个路径是一种更好的方法。虽然存在经由若干路径路由事务的若干方法，但是这样的技术是相当低效的，因为必须在路由算法的初始阶段（例如，SpeedyMurmur [42]）.不考虑网络中每个信道的剩余容量的算法容易失败。其他方法会泄漏敏感信息，并且计算成本相当高[28]。据我们所知，我们提出的方案HushRelay是一个高效的隐私保护路由算法，考虑到每个通道中留下的资金，同时将交易价值分割到几条路径上。将我们的算法的性能与真实实例上的现有路由方案（例如，Ripple Network），我们观察到HushRelay的成功率为1，执行时间为2.4秒。然而，SpeedyMurmur [42]在界标数量为6时，成功率为0.98，耗时4.74秒。在闪电网络上测试我们提出的路由算法时，观察到成功率为0.99，执行时间为0.15秒，比SpeedyMurmur所需的时间小12倍。
2020-02-12 cs.CR cs.DS
DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization
在实际应用中会出现大量的高维异构数据，这些数据往往会发布给第三方进行数据分析、推荐、定向广告和可靠预测。然而，公布这些数据可能会泄露个人敏感信息，从而导致对隐私侵犯的日益关注。近年来，隐私保护数据发布受到了相当大的关注。不幸的是，高维数据的差分私有发布仍然是一个具有挑战性的问题。在本文中，我们提出了一个差分私有的高维数据发布机制（DP2-Pub），运行在两个阶段：基于马尔可夫毯的属性聚类阶段和不变后随机化（PRAM）阶段。具体而言，将属性划分为具有高簇内凝聚力和低簇间耦合的低维簇有助于获得隐私预算的合理分配，而满足局部差分隐私的双扰动机制有助于保持不变的PRAM，以确保不丢失统计信息，从而显着保留数据效用。我们还扩展了我们的DP2-Pub机制的情况下，与一个半诚实的服务器，满足本地差分隐私。我们在四个真实数据集上进行了大量的实验，实验结果表明，该机制在满足差分隐私的同时，能够显著提高已发布数据的数据效用.
2022-08-24 cs.CR cs.CY
Demystifying the Privacy-Utility Trade-off in LLM Interactions
Soochow University（苏州大学）；Beihang University（北京航空航天大学）；Suzhou City University（苏州城市学院）；Shanghai Key Lab of Intelligent Information Processing（上海市智能信息处理重点实验室）；Shanghai AI Lab（上海人工智能实验室）
本研究通过系统分析揭示大语言模型交互中隐私-效用权衡的三种机制，并提出意图驱动的本地保护框架，利用轻量级模型Veilmind-4B实现低泄漏与高效用，推进帕累托前沿。
2026-09-14 cs.AI cs.CR
Visualizing Privacy-Utility Trade-Offs in Differentially Private Data Releases
各组织经常收集私人数据，并为公众的利益发布汇总统计数据。如果不采取保护隐私的措施，攻击者可能会使用发布的统计数据来推断有关私人数据集中描述的个人的未经授权的信息。不同的隐私算法通过用噪声稍微扰动底层统计数据来解决这一挑战，从而在数学上限制了可以从每个数据发布中推断出的信息量。正确校准这些算法--以及数据集中描述的人的披露风险--需要数据管理者为隐私预算参数$ε$选择一个值。然而，很少有正式的指导选择$ε$，一个任务，需要推理的概率隐私效用权衡。此外，在统计推断的上下文中选择$ε$需要在存在测量误差和差分隐私（DP）噪声两者的情况下推理关于准确性权衡。我们提出了可视化隐私（VIP），一个交互式界面，可视化之间的关系$ε$，准确性和披露风险，以支持设置和分裂$ε$查询。当用户调整$ε$时，ViP动态更新描述预期准确性和风险的可视化。ViP还具有推理设置，允许用户推理DP噪声对统计推理的影响。最后，我们提出了一项研究的结果，其中16个研究从业者很少或没有DP背景完成了一组相关的任务设置$ε$使用VIP和控制。我们发现，VIP可以帮助参与者更正确地回答与判断DP噪声释放可能下降的概率以及DP噪声和非私人置信区间之间的比较相关的问题。
2022-01-16 cs.CR cs.HC
Streaming Submodular Maximization with Differential Privacy
Khoury College of Computer Sciences, Northeastern University（东北大学胡里计算机科学学院）
在这项工作中，我们研究的问题，私人最大化的子模函数在流设置。广泛的工作已经做了私人最大化的子模函数在一般情况下，当功能依赖于个人的私人数据。然而，当从目标函数的域中提取的数据流的大小很大或到达非常快时，必须在流设置的约束内私下优化目标。我们建立基本的差异私人基线这个问题，然后得到更好的权衡隐私和实用程序的特殊情况下，可分解的子模块功能。子模函数是可分解的，当它可以被写为子模函数的和;这种结构自然出现时，每个被加数函数模型的效用的个人和目标是研究总效用的整个人口在著名的组合公共项目问题。最后，我们补充我们的理论分析与实验证实。
2022-10-25 cs.CR cs.DS cs.LG
Local Differential Privacy for Deep Learning
RMIT University（皇家墨尔本理工大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61研究所）；University of Oklahoma（俄克拉荷马大学）
物联网（IoT）正在改变主要行业，包括但不限于医疗保健，农业，金融，能源和运输。物联网平台正在通过创新不断改进，例如在边缘云交互中融合软件定义网络（SDN）和网络功能虚拟化（NFV）。深度学习（DL）由于其在使用大量数据（例如物联网生成的数据）进行训练时的出色准确性而变得越来越受欢迎。然而，DL算法在训练高度敏感的众包数据（如医疗数据）时往往会泄露隐私。现有的隐私保护DL算法依赖于传统的以服务器为中心的方法，需要高处理能力。我们提出了一个新的本地差分私有（LDP）算法命名为LATENT，重新设计的训练过程。LATENT使数据所有者能够在数据离开数据所有者的设备并到达可能不受信任的机器学习服务之前添加随机化层。该功能是通过将卷积神经网络（CNN）的架构分为三层来实现的：（1）卷积模块，（2）随机化模块和（3）全连接模块。因此，随机化模块可以在SDN控制的NFV中作为NFV隐私保护服务操作，使得LATENT与现有方法相比对于IoT驱动的基于云的环境更实用。随机化模块采用了一种新提出的LDP协议，称为效用增强随机化，它允许LATENT保持高效用相比，现有的LDP协议。我们在卷积深度神经网络上对LATENT的实验评估表明，即使在低隐私预算（例如$\varepsilon=0.5$）下，也具有出色的准确性（例如91%- 96%）和高模型质量。
2019-11-09 cs.CR cs.LG
Robust Representation Learning for Privacy-Preserving Machine Learning: A Multi-Objective Autoencoder Approach
University of Tuebingen（图宾根大学）；Institute for Bioinformatics and Medical Informatics (IBMI)（生物信息学与医学信息学研究所）
针对隐私保护机器学习技术存在的速度慢或性能损耗问题，提出一种多目标自编码器框架，通过鲁棒表示学习编码数据并优化隐私与效用权衡，支持安全第三方训练，在单模态和多模态设置下均取得优于现有技术的性能。
2023-09-08 cs.CR cs.LG
Wasserstein Markets for Differentially-Private Data
Imperial College London（帝国理工学院）；Department of Electrical & Electronic Engineering（电气与电子工程系）
本文提出基于 Wasserstein 距离的差分隐私数据估值与采购机制，支持任务无关及任务特定协同优化，并将其建模为可求解的混合整数二阶锥规划。
2024-12-03 cs.CE cs.CR cs.GT
Visual Transformer Meets CutMix for Improved Accuracy, Communication Efficiency, and Data Privacy in Split Learning
Yonsei University（延世大学）；Deakin University（迪肯大学）；MIT Media Lab（麻省理工学院媒体实验室）；University of Oulu（奥卢大学）
本文寻求一种用于可视化Transformer（ViT）体系结构的分布式学习解决方案。与卷积神经网络（CNN）架构相比，ViT通常具有更大的模型大小，并且计算成本高，使得联邦学习（FL）不适合。分裂学习（SL）可以通过分裂模型并在分裂层传达隐藏的表示（也称为破碎数据）来绕过这个问题。尽管如此，ViT的粉碎数据与输入数据一样大并且一样相似，否定了SL的通信效率，同时违反了数据隐私。为了解决这些问题，我们提出了一种新的形式的CutSmashed数据通过随机打孔和压缩原始粉碎数据。利用这一点，我们开发了一个新的SL框架的ViT，创造CutMixSL，通信CutSmashed数据。CutMixSL不仅降低了通信成本和隐私泄露，还内在地涉及到CutMix的数据增强，提高了准确性和可扩展性。模拟证实，CutMixSL优于基线，如并行SL和SplitFed，集成FL与SL。
2022-07-01 cs.CR cs.CV cs.DC
