论文部分翻译

保护隐私的可再生能源时空场景生成联邦深度生成学习方法_Privacy-preserving Spatiotemporal Scenario Generation of Renewable Energies A Federated Deep Generative Learning Approach.pdf

保护隐私的机器学习方法、挑战和方向_Privacy-Preserving Machine Learning Methods, Challenges and Directions.pdf

关键词：区块链技术、差分隐私、以太坊、加密、联邦学习、激励学习、物联网、可扩展、安全 主要贡献： 1）介绍数据隐私； 2）介绍联邦学习 3）介绍区块链、介绍BFL； 4）介绍联邦学习在IOT中的应用。

关键词：区块链、众包(crowdsourcing)、差分隐私、联邦学习、物联网、移动边缘计算 主要贡献： 1）提出一个分层的众包联邦学习系统来建立机器学习模型，以帮助家电商提高服务质量和优化家电功能。 2）提出了一个新的标准化技术，它比批量标准化提供了更高的测试精度，同时保留了每个参与者数据的提取特征的隐私。此外，通过利用差分隐私，防止对手利用学习模型来推断客户的敏感信息。 3）基于区块链的系统通过确保所有的模型更新可追责来防止恶意模型攻击。

隐私保护课老师让读的论文，结合论文和网上的资料做了一些总结。主要是针对文章内容和秘密分享值上的加法和乘法运算的总结，还有秘密分享值上的运算是如何应用到线性回归和逻辑回归上，从而实现隐私保护的机器学习模型的。关于隐私保护的神经网络和系统测试部分ppt里涉及的较少。

Building_Privacy-Preserving_Cryptographic_Credentials_From_Federated_Online_Identities 安全建设 零信任 应用安全 红蓝对抗 企业安全

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4

隐私保护联合学习I 我的“最后一年”项目的源代码-隐私保护联合学习（I） 数据预处理 在以下位置下载原始数据： : 运行Data_Preprocessing.py以生成该项目所需的所有数据文件 集中学习 在Centralized_Training.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（Path）以获取阈值（3）运行valuate_model（）以获取TP，FP，TN，FN，准确性，精度和召回模型 个人学习 在Individual_Training_Client1.py，Individual_Training_Client2.py，Individual_Training_Client3.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（P

2017 SecureML：A system for scalable privacy-preserving machine learning论文ppt