Skip to main content

> ML_LITERATURE // BONAWITZ-2017-PRACTICAL-SECURE-AGGREGATION-FOR-PRIVACY-PRESERVING-MACHINE-LEARNING_v1.0

Practical Secure Aggregation for Privacy-Preserving Machine Learning

Keith Bonawitz, Vladimir Ivanov, Ben Kreuter, Antonio Marcedone, H. Brendan McMahan, Sarvar Patel, Daniel Ramage, Aaron Segal, Karn Seth · ACM SIGSAC Conference on Computer and Communications Security (CCS) (2017)

systems2017industry-standardartifactsAvailable
DOI: 10.1145/3133956.3133982Literatüre Dön

Temel Katkı (Principal Contribution)

Sunucunun herhangi bir bireysel kullanıcı güncellemesini görmeden model güncellemelerinin toplamını hesaplamasını sağlayan Güvenli Birleştirme (SecAgg) protokolünü icat etti.

Operasyonel ve Mühendislik Uygunluğu

Üretim sistemlerinde task-federated-learning, task-privacy-preserving-ml uygulaması için yetkili referans olarak hizmet eder.

Temel Varsayımlar (Assumptions)

  • Temel hesaplama topolojisi ve matematiksel sınırlar belirlenmiş dışbükeylik/pürüzsüzlük garantilerine uygundur

Kısıtlar ve Sınırlamalar (Limitations)

  • Donanım hızlandırmaları, gizlilik bütçeleri ve yakınsama hiperparametrelere ve ağ iletişim limitlerine bağlıdır

Bağlantılı Algoritmalar, Mimariler ve Kütüphaneler

İlgili Algoritmalar:
İlgili Mimariler:
Uygulayıcı Kütüphaneler: