智创 AI 新视界 -- AI 时代的数据隐私保护挑战与应对（16 - 3）
本文深度聚焦 AI 时代数据隐私保护，细致剖析数据收集、存储传输、模型训练中的隐私挑战，详细阐述数据加密、联邦学习、差分隐私等应对策略，融合多领域经典案例与优化代码示例，以专业、严谨且极具可读性与可操作性的方式，为 AI 从业者呈上数据隐私保护的魔法指南。
联邦学习安全聚合算法综述（论文解析）以及如何确定自己研究方向的方法
摘要：随着深度学习技术的发展，人工智能在社会的各个方面有着重要的应用，但缺少数据已经成为制约人工智能进一步发展 的重要因素。联邦学习通过共享梯度的方式可以有效利用边缘节点数据，有效解决人工智能模型训练的数据问题。但在联邦学 习中，由于攻击者可以利用共享的梯度发动恶意攻击来窃取用户隐私，所以如何安全上
一切模型皆可联邦化：高斯朴素贝叶斯代码示例
一般情况下我们对联邦学习的理解都是大模型和深度学习模型才可以进行联邦学习，其实基本上只要包含参数的机器学习方法都可以使用联邦学习的方法保证数据隐私。
使用PyTorch和Flower 进行联邦学习
本文将介绍如何使用 Flower 构建现有机器学习工作的联邦学习版本。我们将使用 PyTorch 在 CIFAR-10 数据集上训练卷积神经网络，然后将展示如何修改训练代码以联邦的方式运行训练。
隐私计算主流技术
隐私计算目前主流的技术路线有三种：多方安全计算、联邦学习和TEE。多方安全计算（Secure Multi-party Computation, MPC），是指一组互相不信任的参与者在保护个人隐私的同时，还可以进行协同计算。TEE（Trusted Execution Environment）是一种具有
联邦学习安全防御之同态加密
一、Paillier半同态加密算法同态加密又可以分为全同态加密、些许同态加密和半同态加密三种形式。这其中，由于受到性能等因素的约束，当前在工业界主要使用半同态加密算法。Paillier即属于半同态加密算法，其并不满足乘法同态运算，虽然Paillier算法不是全同态加密的，但是与全同态加密算法（FHE
联邦学习综述（二）——联邦学习的分类、框架及未来研究方向
前两章对联邦学习的定义并没有讨论如何具体地设计一种联邦学习的实施方案。在实际中，孤岛数据具有不同分布特点，根据这些特点，我们可以提出相对应的联邦学习方案。
第一章 隐私计算科普解读
本文关键字：隐私计算、多方安全计算、联邦学习、同态加密、机密计算、差分计算、Pravicy、隐私
联邦学习 (FL) 中常见的3种模型聚合方法的 Tensorflow 示例
联合学习 (FL) 是一种出色的 ML 方法，它使多个设备（例如物联网 (IoT) 设备）或计算机能够在模型训练完成时进行协作，而无需共享它们的数据。
分布式学习和联邦学习简介
在这篇文章中，我们将讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。
联邦学习（Federated Learning）详解以及示例代码
联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里
