清华大学研究团队在分布式机器学习的隐私安全关键技术领域取得进展

摘要：

分布式机器学习能够协同实际系统中分布在不同节点的数据和资源,通过节点间共享学习中间变量(如模型参数)进行模型训练.该技术具有去中心化的特性,一定程度上避免了数据集中存储带来的隐私风险,是目前面向隐私保护的主流机器学习方法.但是,随着研究深入,分布式机器学习也遇到了诸多挑战.当前分布式机器学习框架是利用各个节点数据分散性来实现数据隐私保护.节点原始数据的隐私与学习中共享变量具有高度相关性,已有研究工作证明了隐私数据能从共享的变量中被成功解码.因此,如何构建全过程与各环节隐私保护的分布式机器学习框架是当前数据安全领域的基础前沿课题.

机标关键词：分布式机器学习、清华大学、隐私安全、技术领域、安全关键、关键技术

所属期刊栏目：23

分类号：TP391.41;TP181;G649.29

在线出版日期：2023-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：130