In order to solve the problem that homogeneous ensemble learning algorithms are more
sensitive to noise and difficult to take into account both better predictive performance and …

基于差分隐私的深度学习隐私保护方法中, 训练周期的长度以及隐私预算的分配方式直接制约着
深度学习模型的效用. 针对现有深度学习结合差分隐私的方法中模型训练周期有限 …

人工智能隐私保护的应用场景多种多样. 在不同的场景中, 完成隐私保护计算的实体可信程度和
数量不尽相同. 这些实体的可信程度和数量对隐私保护计算方法能否实际应用具有重要影响 …

为解决同质集成学习算法对噪声更敏感, 难以兼顾较好的预测性能和有效的隐私保护这一问题,
提出一种基于差分隐私的DPStacking 算法, 将异质Stacking 算法与差分隐私技术相结合 …

Gradient redundancy exists in the process of deep neural network gradient descent. When
differential privacy mechanism is applied to resist member inference attack, excessive noise …

摘要为了保护机器学习中决策树数据和模型的隐私, 并减少计算和通信开销,
提出了一种多密钥隐私保护决策树评估(multi-key privacy-preserving decision tree evaluation …

深度神经网络梯度下降过程中存在较大的梯度冗余, 应用差分隐私机制抵御成员推理攻击时,
会引入过量噪声. 针对上述问题, 该文利用Funk-SVD 矩阵分解算法将梯度矩阵分解 …