联邦学习 (Federated Learning, FL):
Posted: Sat Jun 14, 2025 8:43 am
原理: 一种分布式机器学习范式。模型训练不再集中在服务器端,而是将模型分发到各个拥有本地数据的设备或机构(如手机、医院、银行),在本地进行模型训练。只有模型参数的更新(而非原始数据)会被上传到中心服务器进行聚合,从而构建一个全局模型。
应用: 医疗AI模型协作(不共享病人数据)、金融风控模型训练、智能设备(如手机输入法预测、语音识别)的模型优化。
挑战: 通信成本、模型异构性、拜占庭攻击(恶意参与者上传错误参数)等。
同态加密 (Homomorphic Encryption, HE):
原理: 允许在加密数据上直接进行计算,而无需先解密。只有拥 瑙鲁 Viber 数据 有私钥的人才能查看解密后的计算结果。这意味着数据提供者可以将加密数据发送给云服务商进行计算,而无需担心数据泄露。
分类: 部分同态加密(Partial HE,只能执行特定操作,如加法或乘法)、全同态加密(Fully HE,理论上可以执行任意计算,但计算成本极高)。
应用: 云端数据分析、隐私保护的生物识别、基因组数据分析、机密计算。
挑战: 全同态加密的计算开销巨大,实际应用受限;半同态加密则限制了计算的灵活性。
安全多方计算 (Secure Multi-Party Computation, MPC):
原理: 允许多个参与方在不暴露各自私有输入数据的情况下,共同协作计算一个函数。每个参与方只能看到最终的计算结果,而无法推断出其他参与方的原始输入。
应用: 联合征信查询、多方协同风控、加密投票、竞拍、隐私保护的联合统计分析(如计算不同银行客户的交集数量)。
挑战: 协议设计复杂、计算和通信开销相对较高,参与方数量越多性能开销越大。
应用: 医疗AI模型协作(不共享病人数据)、金融风控模型训练、智能设备(如手机输入法预测、语音识别)的模型优化。
挑战: 通信成本、模型异构性、拜占庭攻击(恶意参与者上传错误参数)等。
同态加密 (Homomorphic Encryption, HE):
原理: 允许在加密数据上直接进行计算,而无需先解密。只有拥 瑙鲁 Viber 数据 有私钥的人才能查看解密后的计算结果。这意味着数据提供者可以将加密数据发送给云服务商进行计算,而无需担心数据泄露。
分类: 部分同态加密(Partial HE,只能执行特定操作,如加法或乘法)、全同态加密(Fully HE,理论上可以执行任意计算,但计算成本极高)。
应用: 云端数据分析、隐私保护的生物识别、基因组数据分析、机密计算。
挑战: 全同态加密的计算开销巨大,实际应用受限;半同态加密则限制了计算的灵活性。
安全多方计算 (Secure Multi-Party Computation, MPC):
原理: 允许多个参与方在不暴露各自私有输入数据的情况下,共同协作计算一个函数。每个参与方只能看到最终的计算结果,而无法推断出其他参与方的原始输入。
应用: 联合征信查询、多方协同风控、加密投票、竞拍、隐私保护的联合统计分析(如计算不同银行客户的交集数量)。
挑战: 协议设计复杂、计算和通信开销相对较高,参与方数量越多性能开销越大。