联合学习（FL）可以通过各种不同远程数据源的机器学习模型的分布式计算，而无需将任何单独的数据传输到集中位置。这导致改进的模型的完全性，并且随着更多来源和较大的数据集被添加到联合中的计算和计算的有效缩放。然而，最近的成员攻击表明，当模型参数或摘要统计数据与中央站点共享时，有时可以泄露或推断出私有或敏感的个人数据，需要改进的安全解决方案。在这项工作中，我们提出了一种使用全同性全相治（FHE）的安全FL框架。具体而言，我们使用CKKS构造，近似浮点兼容方案，这些方案受益于密文包装和重新扫描。在我们对大型脑MRI数据集的评估中，我们使用建议的安全流动框架来培训深度学习模型，以预测分布式MRI扫描的一个人的年龄，一个共同的基准测试任务，并证明在学习表现中没有降级在加密和非加密的联合模型之间。
translated by 谷歌翻译
我们建议使用两层机器学习模型的部署来防止对抗性攻击。第一层确定数据是否被篡改，而第二层解决了域特异性问题。我们探索三组功能和三个数据集变体来训练机器学习模型。我们的结果表明，聚类算法实现了有希望的结果。特别是，我们认为通过将DBSCAN算法应用于图像和白色参考图像之间计算的结构化结构相似性指数测量方法获得了最佳结果。
translated by 谷歌翻译