HP_FLAP: homomorphic and polymorphic federated learning aggregation of parameters framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Protecting user privacy is essential in machine learning research, especially in the context of data collection. Federated learning (FL), which trains models across decentralized devices without sharing raw data, has emerged as a promising solution. However, FL is still vulnerable to security threats, including inference attacks, which have been underexplored in comparison to poisoning and backdoor attacks that have received more attention in existing research. To address these vulnerabilities, this paper proposes a novel aggregation framework called homomorphic and polymorphic federated learning aggregation of parameters (HP_FLAP). HP_FLAP integrates both homomorphic and polymorphic encryption to enhance the security and privacy of FL. Homomorphic encryption allows the server to perform aggregation on encrypted parameters without decrypting them, ensuring that sensitive information is protected during the aggregation process. Polymorphic encryption further strengthens security by using different encryption keys for each set of parameters, mitigating the risk of system-wide compromise in case a key is leaked. This dual encryption approach effectively counters inference attacks while maintaining robust protections against other security threats. The framework is evaluated using multiple models, including logistic regression, Gaussian Naive Bayes, Stochastic Gradient Descent, and Multi-Layer Perceptron, demonstrating HP_FLAP’s ability to enhance both security and privacy in FL environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle