多数据源下机器学习的隐私保护研究

• 作者: 夏仕冰 张铭凯 范宇豪
• 来源期刊: 网络空间安全
• 学科: 工学
• 关键词: 隐私保护 多数据源 机器学习 同态加密 联邦学习
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 数据安全与治理
• 页码范围: 69-73
• 页数: 5页
• 分类号: TP391
• 字数: 3860字
• 语种: 中文

摘要

在多数据源的情况下,隐私保护机器学习是一个具有重要现实意义的研究课题,直接影响着人工智能在现实社会中的发展和推广.目前,已有许多致力于解决机器学习算法中隐私问题的方案,文章阐述并分析了四种常见的隐私保护技术,它们包括同态加密、秘密共享、乱码电路和差分隐私.介绍了近年来一种流行的联合学习解决方案框架—联邦学习,并对其存在的不足进行了讨论.基于对现有技术和方案的分析,文章提出了一种适用于多数据源场景的隐私保护方案,方案具有良好的安全性、健壮性和可校验性三个特点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张铭凯	广州大学计算机科学与网络工程学院	2	0	0.0	0.0
2	范宇豪	广州大学计算机科学与网络工程学院	2	0	0.0	0.0
3	夏仕冰	广州大学计算机科学与网络工程学院	2	0	0.0	0.0