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
Privacy-Preserving Methods for Vertically Partitioned Incomplete Data
近年来，使用来自多个源的信息的分布式健康数据网引起了极大的兴趣。然而，数据缺失在此类网络中普遍存在，并带来了重大的分析挑战。目前处理缺失数据的最先进方法需要在分析之前将数据汇集到中央存储库中，这在分布式健康数据网中可能是不可能的。在本文中，我们提出了一个隐私保护的分布式分析框架，用于处理丢失的数据时，数据垂直分区。在这一框架中，拥有特定数据源的每个机构利用本地私有数据计算必要的中间汇总统计数据，然后共享这些数据，以建立处理缺失数据的全球模型。为了评估我们提出的方法，我们进行了模拟研究，清楚地表明，所提出的隐私保护方法以及使用合并数据的方法，并优于几个天真的方法。我们进一步说明了所提出的方法，通过一个真实的数据集的分析。处理垂直分区不完整数据的拟议框架比需要汇集数据的方法更能保护隐私，因为没有个人层面的数据共享，这可以降低多个机构之间合作的障碍，并建立更强的公共信任。
2020-12-29 cs.CR stat.ME
DP-SIPS: A simpler, more scalable mechanism for differentially private partition selection
本文提出DP-SIPS，一种简单且可扩展的差分隐私分区选择机制，通过多次迭代朴素算法并逐步增加隐私预算，在保持可扩展性的同时实现与复杂方法相当的效用。
2023-06-22 cs.CR
Privacy-preserving Security Inference Towards Cloud-Edge Collaborative Using Differential Privacy
云边缘协同推理方法将深度神经网络（DNN）分为两部分，在资源受限的边缘设备和云服务器上协同运行，旨在最大限度地减少推理延迟并保护数据隐私。然而，即使来自边缘设备的原始输入数据没有直接暴露给云，针对协作推理的最先进的攻击仍然能够从暴露的本地模型的中间输出重建原始私有数据，从而引入严重的隐私风险。本文提出了一种用于云-边缘协作的安全隐私推理框架CIS，该框架支持根据动态变化的网络带宽自适应地划分网络，充分释放边缘设备的计算能力。为了减轻由私有扰动引入的影响，CIS提供了一种通过向卸载到云的中间层特征图添加细化噪声来实现差分隐私保护的方法。同时，在给定总隐私预算的情况下，通过不同卷积滤波器生成的特征图秩大小合理分配预算，使得云中的推理对数据扰动具有鲁棒性，从而有效地平衡了隐私性和可用性之间的冲突问题.最后，我们构建了一个真实的云边缘协同推理计算场景，以验证资源受限的边缘设备上的推理延迟和模型划分的有效性。最后，采用最新的云边缘协同重构攻击方法，对CIS提供的端到端隐私保护机制的实际可用性进行了评估。
2022-12-13 cs.CR
Convergent Differential Privacy Analysis for General Federated Learning
School of Computer Science Faculty of Engineering（计算机科学学院工程学院）；University of Sydney（悉尼大学）；Generative AI Lab（生成式人工智能实验室）；College of Computing and Data Science（计算与数据科学学院）；Nanyang Technological University（南洋理工大学）；School of Cyber Science and Technology（网络安全科学与技术学院）；Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）
本文基于非凸和平滑目标，利用f-差分隐私分析评估了两种经典方法的最坏隐私情况，证明Noisy-FedAvg具有紧收敛界，Noisy-FedProx具有稳定常数下界，为FL-DP框架的可靠性提供了理论基础。
2026-05-13 cs.CR cs.LG
Privacy Partitioning: Protecting User Data During the Deep Learning Inference Phase
University of Virginia（弗吉尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）；Google Brain（谷歌大脑）
我们提出了一种基于二分拓扑威胁建模和交互式对抗深度网络构建的深度学习推理阶段的数据保护实用方法。我们将这种方法称为\emph{Privacy Partitioning}。在提出的框架中，我们拆分了机器学习模型，并将几层部署到用户的本地设备中，其余层部署到远程服务器中。我们提出了一种方法来保护用户的数据在推理阶段，同时仍然实现良好的分类精度。我们对三个计算机视觉任务的基准数据集进行了实验评估。实验结果表明，这种方法可以用来显着削弱攻击者访问最先进的深度网络的中间状态来学习网络的隐私敏感输入的能力。例如，我们证明了我们的方法可以防止攻击者从人脸图像数据集中推断出性别等私有属性，而不会牺牲原始机器学习任务（如人脸识别）的分类准确性。
2018-12-07 cs.CR cs.CV cs.LG
A Security-assured Accuracy-maximised Privacy Preserving Collaborative Filtering Recommendation Algorithm
基于邻域的协同过滤是推荐系统中广泛使用的一种方法。然而，在过滤过程中泄露客户隐私的风险最近引起了公众的关注。具体地说，$k$ NN攻击通过利用非敏感信息创建$k$伪最近邻来泄露目标用户的敏感信息。在目前针对$k$ NN攻击的解决方案中，概率方法表现出了较强的隐私保护效果。然而，现有的概率方法既不能保证足够的预测精度，由于全局随机性，也不能提供有保证的安全性实施对$k$ NN攻击。为了克服目前的概率方法的问题，我们提出了一种新的方法，分区概率邻居选择，以确保所需的安全保证，同时达到最佳的预测精度对$k$ NN攻击。在本文中，我们定义的$k$邻居的相似性的总和作为准确性度量$α$，用户分区的数量，我们选择的$k$邻居，作为安全性度量$β$。与现有的全局选择邻居的方法不同，本文的方法从具有指数差分隐私的每个组中选择邻居，以降低噪声的大小。理论和实验分析表明，在保证对$k$ NN攻击同样安全的前提下，该方法保证了最优的预测精度。
2015-06-04 cs.CR
Achieving differential privacy for $k$-nearest neighbors based outlier detection by data partitioning
University of Applied Sciences Osnabrück（奥斯纳布吕克应用科学大学）；Leibniz University Hannover（莱布尼茨汉诺威大学）
当在数据敏感的环境中应用离群值检测时，需要保证底层数据隐私的机制。$k$-最近邻（$k$-NN）算法是一种简单有效的离群点检测方法。到目前为止，还没有尝试开发用于基于$k$-NN的离群值检测的差分私有（$ε$-DP）方法。现有的方法通常放宽$ε$-DP的概念，并采用除$k$-NN之外的其他方法。我们提出了一种基于$k$-NN的离群点检测方法，该方法通过将该过程分离为对参考内点数据的拟合步骤，然后将离群点分类器应用于新数据。我们实现了$ε$-DP的拟合算法和离群值分类器相对于参考数据的数据集划分成一个统一的网格，这产生低的全局灵敏度。我们的方法在不同维度的真实数据上产生了接近最佳的性能，与非私有版本的$k$-NN相比。
2021-04-16 cs.CR cs.LG stat.AP
Enhancing Scalability of Metric Differential Privacy via Secret Dataset Partitioning and Benders Decomposition
University of North Texas（北得克萨斯大学）
针对 LP 求解 mDP 时变量规模爆炸的问题，提出基于秘密数据集划分与 Benders 分解的两阶段计算框架，并在多类数据集上验证其更优的可扩展性与效率。
2024-05-09 cs.AI cs.CR
No Privacy Left Outside: On the (In-)Security of TEE-Shielded DNN Partition for On-Device ML
Peking University（北京大学）；The Hong Kong University of Science and Technology（香港科技大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文发现现有TEE防护的DNN分区（TSDP）方案易受隐私窃取攻击，并提出TEESlice方法，通过训练前分区策略实现与全模型TEE防护相同的安全性，同时降低10倍以上开销且无精度损失。
2023-10-11 cs.AI cs.CR cs.LG
Preserving Differential Privacy Between Features in Distributed Estimation
Disney Research（迪士尼研究中心）
隐私在机器学习的许多应用中至关重要。法律、道德和社会问题限制了敏感数据的共享，使得很难从多方之间划分的数据集中学习。这种分布式设置的一个重要实例是，当数据集中每个记录的信息由不同的数据所有者持有时（设计矩阵是“垂直分区的”）。在这种情况下，很少有出于统计估计目的而共享私人数据的方法，并且具有准备数据的“可信管理者”的差异隐私的经典设置不适用。我们的工作与$(ε,δ)$的概念-分布式差分隐私扩展到分布式的，垂直分区的情况下，单方差分隐私。我们提出了PriDE，一个可扩展的框架，分布式估计，每一方通信扰动随机投影的本地举行的功能，确保$(ε,δ)$ -分布式差分隐私被保存。对于$\ell_2$ -惩罚监督学习问题，PriDE有界估计误差相比，在非分布式设置中没有隐私约束的最优估计。我们在现实世界和合成数据集上证实了这一点。
2017-06-27 cs.CR cs.DC cs.LG
A Trajectory K-Anonymity Model Based on Point Density and Partition
University of Glasgow（格拉斯哥大学）；South China University of Technology（华南理工大学）；Case Western Reserve University（凯斯西储大学）
本文提出一种基于点密度与划分的轨迹K-匿名模型，通过改进轨迹集划分预处理和聚类算法，在抵御重识别攻击的同时有效降低数据效用损失并缩短执行时间。
2023-07-31 cs.CR cs.LG
Sort, Partition, Randomize: Optimal Binary Hypothesis Testing under Local Differential Privacy
Harvard University（哈佛大学）；American University of Beirut（贝鲁特美国大学）
针对局部差分隐私下的二元假设检验，提出排序-划分-随机化（SPR）机制类，证明其最优性，并给出O(k^3)时间复杂度的动态规划算法。
2026-06-05 cs.CR cs.IT math.IT
Differentially private partitioned variational inference
Telefónica Research（西班牙电信研究院）；University of Cambridge（剑桥大学）；Harvard University（哈佛大学）；University of Helsinki（赫尔辛基大学）
本文提出差分隐私的分区变分推断框架，首次在联邦学习中实现带差分隐私保证的贝叶斯后验变分近似，并给出三种实现方案及理论与实证比较。
2023-04-18 cs.CR cs.LG stat.ML
An Accuracy-Assured Privacy-Preserving Recommender System for Internet Commerce
推荐系统是一种通过计算用户的历史数据和兴趣来预测用户潜在偏好的工具，在网上购物等各种互联网应用中显示出越来越重要的作用。作为一种著名的推荐方法，基于邻域的协同过滤近年来引起了广泛的关注。在过滤过程中泄露用户隐私信息的风险已经引起了人们的关注。在目前的解决方案中，概率技术已经显示出强大的隐私保护效果。在面对$k$最近邻攻击时，由于全局随机性的引入，现有的方法都没有提供数据效用保证。在本文中，为了克服推荐精度损失的问题，我们提出了一种新的方法，分区概率邻居选择，以确保所需的预测精度，同时保持对$k$ NN攻击的高安全性。我们将$k$邻居的相似性之和定义为准确性度量alpha，用户分区的数量，我们选择$k$邻居，作为安全性度量beta。我们将$k$最近邻攻击推广到beta k最近邻攻击。不同于现有的方法，选择邻居在整个候选列表随机，我们的方法选择邻居从每个排他性分区大小$k$的概率递减。理论和实验分析表明，为了提供一个准确性保证的推荐，我们的分区概率邻居选择方法产生了更好的推荐准确性和系统安全性之间的权衡。
2015-06-04 cs.CR cs.IR
Re-DPoctor: Real-time health data releasing with w-day differential privacy
可穿戴设备使用户能够收集健康数据并与医疗保健提供者共享，以改善医疗服务。由于健康数据中包含隐私敏感信息，不受保护的数据发布系统可能导致隐私泄露问题。现有的大多数工作使用差分隐私来进行隐私数据的发布。然而，它们在医疗保健场景中存在局限性，因为它们没有考虑从可穿戴设备收集的健康数据的独特功能，例如连续实时的【形】收集和模式保存。在本文中，我们提出了Re-DPoctor，一个实时的【形】的健康数据发布计划与$w$ -天差分隐私在任何连续的$w$天收集的健康数据的隐私被保留。我们通过使用专门设计的分区算法来保护健康数据模式，从而提高了实用性。同时，我们提高了隐私保护应用新提出的自适应采样技术和预算分配方法。我们证明了Re-DPoctor满足$w$ -day差分隐私。真实健康数据的实验表明，我们的方法实现了更好的实用性与强大的隐私保证比现有的国家的最先进的方法。
2017-11-01 cs.CR
Partition-based differentially private synthetic data generation
Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学网络空间先进技术研究院）
针对现有差分隐私合成数据方法误差大、预算分配难的问题，提出基于分区的生成方法，在有限隐私预算下减少误差、提升数据质量与实用性。
2023-10-10 cs.CR cs.LG
Parallel Composition for Statistical Privacy
Universität zu Lübeck（吕贝克大学）
本文提出了一种基于子采样和随机划分数据库的隐私机制，首次在不额外限制数据库的情况下，通过考虑分布熵来提升隐私和精度保证。
2026-02-10 cs.CR
From Task Tuning to Task Assignment in Privacy-Preserving Crowdsourcing Platforms
众包平台的专业化工作者简档可以包含大量的识别和可能敏感的个人信息（例如，个人偏好、技能、可用插槽、可用设备）引起强烈的隐私问题。这导致了保护隐私的众包平台的设计，旨在实现高效的众包流程，同时即使在平台不完全可信的情况下也能提供强有力的隐私保证。在本文中，我们提出了两个贡献。首先，我们提出了PKD算法的目标是支持各种各样的聚合使用的工人配置文件在一个隐私保护的众包平台。PKD算法将同态加密和差分隐私组合在一起，用于计算实际工人群体的多维技能空间的（扰动的）分区和每个分区的工人的（扰动的）数目。其次，我们建议受益于私人信息检索技术的最新进展，以设计一个解决方案，任务分配，是私人和负担得起的。我们进行了深入研究的问题，使用PIR技术提出任务的工人，表明它是NP-难的，并提出了PKD PIR包装启发式分组任务一起根据分区输出的PKD算法。简而言之，我们设计了PKD算法和PKD PIR Packing启发式算法，我们正式证明了它们对诚实但好奇的工人和/或平台的安全性，我们分析了它们的复杂性，并通过在合成和现实数据集上进行广泛的实验评估，证明了它们在现实生活中的质量和可负担性。
2020-07-10 cs.CR cs.CY cs.DB
Federated Graph Analytics with Differential Privacy
针对联邦场景下图分析效用与隐私难以平衡的问题，提出联邦图分析框架FEAT及其优化版FEAT+，利用度划分算法提升效用，实验证明其效用比基线高1至4个数量级。
2024-05-31 cs.CR
Scalable Private Partition Selection via Adaptive Weighting
研究差分隐私分区选择问题，提出自适应重路由权重的MAD算法及两轮版本MAD2R，在保持隐私的同时最大化输出项数，可扩展至数千亿项数据集。
2025-08-08 cs.CR cs.DS
SoK: Differential Privacies
在2006年首次引入后不久，差分隐私成为旗舰数据隐私定义。从那时起，提出了许多变体和扩展，以适应不同的场景和攻击者模型。在这项工作中，我们提出了一个系统的分类这些变种和扩展。我们列出了所有基于差分隐私的数据隐私定义，并根据原始定义的哪个方面被修改，将其分为七类。这些类别的作用类似于维度：同一类别的变体不能组合，但不同类别的变体可以组合形成新的定义。我们还建立了这些概念之间的相对强度的偏序总结现有的结果。此外，我们列出了这些定义满足一些理想的属性，如组合，后处理，凸性提供一个新的证明或收集现有的。
2022-11-13 cs.CR
PriPL-Tree: Accurate Range Query for Arbitrary Distribution under Local Differential Privacy
针对局部差分隐私下现有范围查询方法假设数据均匀分布导致估计不准的问题，提出结合层次树与分段线性函数的PriPL-Tree结构，并扩展至多维自适应网格，在真实与合成数据集上有效提升了任意分布范围查询的准确性。
2024-08-24 cs.CR cs.DB
A Privacy-Preserving Model based on Differential Approach for Sensitive Data in Cloud Environment
大量的数据和应用程序需要与云环境中的各方和利益相关者共享，以进行存储，计算和数据利用。由于第三方运营云平台，所有者无法完全信任这个环境。然而，在不同方之间有效共享数据时确保隐私保护已成为一项挑战。本文提出了一种新的模型，将数据划分为敏感和非敏感部分，将噪声注入敏感数据，并使用k-匿名化，差分隐私和机器学习方法执行分类任务。它允许多个所有者在云环境中出于各种目的共享数据。该模型规定了涉及的多个不可信方之间的通信协议，以处理所有者数据。该模型通过提供一个强大的机制来保留实际数据。在心脏病、心律失常、肝炎、印度肝病患者和心脏病患者数据集上对支持向量机、K最近邻、随机森林、朴素贝叶斯和人工神经网络分类器进行实验，以计算所提出模型的准确度、精确度、召回率和F1分数方面的效率。实验结果表明，与以往的工作相比，该方法的准确率、精确率、召回率和F1分数分别达到了93.75%、94.11%、100%和87.99%，提高了16%、29%、12%和11%。
2022-12-23 cs.CR
Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach
University of Minnesota（明尼苏达大学）；Amazon AI（亚马逊人工智能）；Carnegie Mellon University（卡内基梅隆大学）
针对DPSGD-GC因梯度裁剪恒定偏差导致性能下降、最优裁剪阈值难选的问题，提出基于误差反馈的DP算法，支持任意裁剪阈值，在同等隐私保证下实现更高准确率。
2024-04-17 cs.CR cs.LG
Preserving Data Confidentiality in Association Rule Mining Using Data Share Allocator Algorithm
针对关联规则挖掘中的数据隐私保护需求，提出基于数据份额分配器算法与改进同态加密的水平划分数据集频繁项集挖掘隐私保护框架，实现多方数据安全协作挖掘且不损失数据效用。
2023-04-28 cs.CR
Secure Multi-Party Computation Based Privacy Preserving Extreme Learning Machine Algorithm Over Vertically Distributed Data
TÜBİTAK BİLGEM（土耳其科学技术研究理事会 信息与信息安全研究中心）；Cyber Security Institute（网络安全研究所）
特别是在大数据时代，不同分类方法的使用日益增多。这些分类方法的成功取决于学习方法的有效性。极限学习机（ELM）分类算法是一种基于前馈神经网络的相对较新的学习方法。ELM分类算法是一种简单快速的方法，可以从高维数据集创建模型。传统的ELM学习算法隐含地假设对整个数据集的完全访问。这在大多数情况下是一个重要的隐私问题。出于安全考虑，禁止共享私人数据（即医疗记录）。在这项研究中，我们提出了一个有效的和安全的隐私保护学习算法ELM分类数据之间的垂直分区。新的学习方法保留了数值属性的隐私性，在不共享隐私数据的情况下建立分类模型，同时不向他人泄露各方的数据。
2016-02-09 cs.CR cs.LG
A Graph Symmetrisation Bound on Channel Information Leakage under Blowfish Privacy
School of Computing and Information Systems, University of Melbourne（墨尔本大学计算与信息系统学院）；Australian Tax Office（澳大利亚税务局）；School of Mathematics and Statistics, University of Melbourne（墨尔本大学数学与统计学院）
Blowfish隐私是差分隐私的最新概括，它可以提高效用，同时保持具有语义保证的隐私策略，这是推动计算机科学中差分隐私流行的一个因素。本文将Blowfish隐私与通信理论界提出的一种度量信息通道隐私损失的重要方法：最小熵泄漏联系起来。输入数据相邻关系中的对称性对于差分隐私和最小熵泄漏之间的已知连接是中心的。但是，虽然差分隐私具有很强的对称性，Blowfish相邻关系对应于任意简单的图形，由于该框架的灵活的隐私政策。要绑定的最小熵泄漏的河豚私人机制，我们组织我们的分析对称分区对应的轨道图自同构群。一个满足我们的渐近相等界的构造证明了紧性。
2021-10-13 cs.CR cs.IT cs.LG
A General Framework for Per-record Differential Privacy
Nanyang Technological University（南洋理工大学）；Hong Kong University of Science and Technology（香港科技大学）
本文提出了一种通用框架，使标准DP机制支持PrDP，通过隐私指定域划分技术实现高实用性，优于现有个性化DP方法。
2025-11-24 cs.CR cs.DB
Differentially Private Learning Needs Hidden State (Or Much Faster Convergence)
National University of Singapore（新加坡国立大学）
先前的工作差分隐私分析的随机SGD算法依赖于组成定理，其中隐含的（不切实际的）假设是，内部状态的迭代算法被透露给对手。因此，通过这种基于成分的分析导出的Rényi DP界限随着训练时期的数量线性增长。当算法的内部状态是隐藏的，我们证明了一个收敛的隐私界噪声随机梯度下降（强凸光滑损失函数）。我们展示了如何通过子采样和随机后处理来利用隐私放大，并证明了“洗牌和分区”和“无替换采样”随机小批量梯度下降方案的隐私界动态性。我们证明了，在这些设置中，我们的隐私边界以指数速度收敛，并且大大小于组合边界，特别是在几个训练时期之后。因此，除非DP算法收敛快，我们的隐私分析表明，隐藏状态分析可以显着放大差分隐私。
2022-10-17 cs.CR cs.LG stat.ML
Composition Properties of Bayesian Differential Privacy
差分隐私是一种严格的隐私标准，已应用于一系列数据分析任务。为了拓宽差分隐私在数据记录具有依赖性时的应用场景，最近提出了贝叶斯差分隐私的概念。然而，贝叶斯差分隐私是否保留了差分隐私的三个优良特性：顺序可组合性、并行可组合性和后处理性，这是未知的。在本文中，我们对这个问题提供了肯定的答案;即，贝叶斯差分隐私仍然具有这些属性。顺序可组合性背后的思想是，如果我们有$m$算法$Y_1, Y_2, \ldots, Y_m$，其中$Y_{\ell}$是${\ell}=1,2,\ldots,m$的独立的$ε_{\ell}$ -贝叶斯差分私有，然后通过将$Y_1$的结果馈送到$Y_2$，将$Y_2$的结果馈送到$Y_3$，等等，我们最终将有一个$\sum_{\ell=1}^m ε_{\ell}$ -贝叶斯差分私有算法。对于并行可组合性，我们考虑的情况下，数据库被划分为$m$不相交的子集。第$\ell$子集被输入到用于${\ell}=1,2,\ldots,m$的贝叶斯差分私有算法$Y_{\ell}$。然后$Y_1$、$Y_2$、$\ldots$、$Y_m$的并行组合将是$\max_{\ell=1}^m ε_{\ell}$ -贝叶斯差分私有。后处理属性意味着数据分析师在没有关于私有数据库的额外知识的情况下，不能计算贝叶斯差分私有算法的输出的函数，并降低其隐私保证。
2019-11-02 cs.CR cs.CY
Privacy-preserving feature selection: A survey and proposing a new set of protocols
University of Toronto（多伦多大学）；University of Windsor（温莎大学）
特征选择是对特征进行筛选的过程，在这个过程中，信息特征从冗余和不相关的特征中分离出来。这个过程在机器学习、数据采掘和生物信息学中起着重要的作用。然而，传统的特征选择方法只能处理集中式数据集，不能满足当今分布式数据处理的需求。这些需求需要一种新的数据处理算法，称为隐私保护特征选择，它通过在中间处理和最终结果中不泄露数据的任何部分来保护用户的数据。这对于包含个人数据的数据集（如医疗数据集）至关重要。因此，修改现有的算法或提出新的算法是合理的，不仅引入应用于分布式数据集的能力，而且通过保护用户的隐私来负责任地处理用户的数据。在本文中，我们将审查三个隐私保护的特征选择方法，并提供建议，以提高其性能时，任何差距被确定。本文还提出了一种基于粗糙集特征选择的隐私保护特征选择方法。所提出的方法是能够处理水平和垂直分区的数据集在两个和多方的情况下。
2020-08-17 cs.CR cs.LG
N-Parties Private Structure and Parameter Learning for Sum-Product Networks
Institute of Computer Science, Johannes Gutenberg University Mainz（计算机科学研究所，吉森大学马因茨分校）；Zalando SE
本文提出基于秘密共享的隐私保护协议，用于和积网络的结构生成、参数学习及私有推理，在保证数据隐私的同时不损失性能，且扩展性优于神经网络协议。
2025-10-07 cs.CR cs.LG
Differentially Private Learning of Markov Chains: Near-Optimal Sample Complexity for Item and User Level Privacy
University of Southern California（南加州大学）；Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；Meta
该研究针对序列数据的隐私保护需求，在项目级与用户级隐私下，研究离散遍历马尔可夫链转移矩阵的差分隐私估计，给出近最优样本复杂度界，为序列数据的隐私学习提供了理论支撑。
2026-10-15 cs.CR stat.OT
Privacy-Preserving Offloading for Large Language Models in 6G Vehicular Networks
School of Science and Engineering, Al Akhawayn University in Ifrane（科学与工程学院，阿尔阿赫韦因大学）；Department of Electrical and Computer Engineering, Université du Québec à Trois-Rivières（电气与计算机工程系，魁北克大学Trois-Rivières分校）
针对6G车载网络中LLM卸载的隐私风险，提出结合联邦学习与差分隐私的混合框架，通过隐私感知任务分区算法和安全通信协议，在仅降低2-3%准确率下实现75%全局准确率，并保持ε=0.8的隐私保证。
2025-08-30 cs.CR cs.LG
Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
Department of Computer Science and Engineering, University of Nevada, Reno（计算机科学与工程系，内华达大学里诺分校）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出GDPFed和GDPFed+方法，在联邦学习中通过客户端级异质差分隐私实现最优客户端采样，提升模型效用和收敛性能。
2026-02-08 cs.CR cs.LG
Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy
Department of Computer Science, Technical University of Munich（慕尼黑技术大学计算机科学系）；Munich Data Science Institute（慕尼黑数据科学研究所）；MCML；Machine Learning Research, Morgan Stanley（摩根大通机器学习研究）
本文提出一种基于对偶视角的微分隐私框架，用于证明对抗性扰动下的鲁棒性，通过整合随机平滑与隐私配置文件，提供对训练时间和推理时间攻击的联合鲁棒性保证。
2026-05-20 cs.CR cs.LG
Meta-Learning for Federated Face Recognition in Imbalanced Data Regimes
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对联邦人脸识别在数据异构性下的挑战，本研究提出HF-MAML方法并引入嵌入正则化项，基于CelebA数据集验证了其在提升验证得分和公平性方面的有效性。
2024-08-13 cs.AI cs.CR cs.CV
A Private and Finite-Time Algorithm for Solving a Distributed System of Linear Equations
本文研究了一个线性方程组，表示为$Ax = b$，这是水平分区（行在$A$和$b$）和存储在一个网络上的$m$设备连接在一个固定的有向图。我们设计了一个快速的分布式算法来解决这样一个分区的线性方程组线性方程组，此外，保护本地数据的隐私，对诚实，但好奇的对手，在网络中的大多数$τ$节点损坏。首先，我们提出了TITAN，privaTe有限时间平均一致性算法，用于解决一般平均共识问题的有向图，同时保护统计隐私的私人本地数据对诚实，但好奇的对手。其次，我们提出了一个分布式线性系统求解器，涉及每个代理/设备计算更新的基础上，本地私有数据，然后使用TITAN私有聚合。最后，我们证明了我们的求解器收敛到最小二乘解在有限轮随着统计隐私的局部线性方程组对一个诚实的，但好奇的对手提供的图形具有弱顶点连接至少$τ+1$。我们进行数值实验来验证我们的主张，并通过比较计算，通信和内存成本来比较我们的解决方案与最先进的方法。
2020-04-09 cs.CR cs.DC cs.SY
Federated Low-Rank Adaptation with Differential Privacy over Wireless Networks
The Hong Kong University of Science and Technology（香港科技大学）
针对分布式边缘设备微调大型预训练基础模型的计算与隐私挑战，提出结合低秩自适应（LoRA）与差分隐私的拆分联邦微调框架，利用无线信道噪声实现隐私保证，在严格隐私预算下提升准确性。
2024-11-27 cs.CR cs.LG eess.SP
Federated Survival Analysis with Node-Level Differential Privacy: Private Kaplan-Meier Curves
Cancer Registry of Norway（挪威癌症登记处）；Norwegian Institute of Public Health（挪威公共卫生研究院）；The Arctic University of Norway（北极大学）
该研究提出一种节点级差分隐私下的联邦Kaplan-Meier曲线计算方法，通过单轮加噪平均与多种平滑技术验证，在隐私预算≥0.5时可在低误差下共享临床有用的生存信息。
2025-08-30 cs.AI cs.CR cs.DC
Differentially Private Synthetic Data Using KD-Trees
J.P. Morgan AI Research（摩根大通人工智能研究院）
本研究提出基于KD树的空间划分与噪声扰动方法，生成差分隐私合成数据，兼顾隐私与效用，克服维度灾难，并在分类任务上验证了有效性。
2023-06-19 cs.CR cs.LG stat.ML
Learning to Generate Image Embeddings with User-level Differential Privacy
Google Research（谷歌研究院）
针对大类别空间下用户级差分隐私图像嵌入模型训练的难题，提出DP-FedEmb联邦学习算法，通过虚拟客户端和部分聚合等技术在保障隐私的同时实现更优效用。
2023-03-31 cs.CR cs.CV cs.LG
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；Hokkaido University（北海道大学）；National University of Defense Technology（国防科技大学）
针对分布式HIN语义断裂与隐私问题，提出FedHGNN框架，通过差分隐私保护的语义保持交互发布及HGNN聚合实现联邦隐私保护推荐，性能显著提升。
2024-02-28 cs.AI cs.CR cs.DC
