热点事件持续更新
结合同态加密与差分隐私的联邦学习框架
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv cs.CR 发布研究，提出一种联邦学习框架，将基于同态加密的训练与基于差分隐私的模型检查及发布相结合。研究称该方法可在保护加密训练轨迹的同时进行间歇性模型监控，并提供更强或相当的隐私估计。在 FEMNIST 数据集实验中，该方法测试损失降至 1.09，而仅使用差分隐私的方法为 2.37；隐私参数 ε 的后验均值为 4.32，低于仅差分隐私方法的 7.26。目前报道仅披露该研究提出的框架及实验结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月2日 12:00
研究提出结合同态加密与差分隐私的联邦学习框架并公布实验结果。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv cs.CR结合同态加密与差分隐私的联邦学习框架
该研究提出一种结合基于同态加密的训练与基于差分隐私的模型检查及发布框架。在 FEMNIST 数据集实验中，该方法测试损失降至 1.09（对比仅差分隐私的 2.37），隐私参数ε后验均值达 4.32（对比 7.26）。间歇性模型监控可在保护加密训练轨迹的同时提供更强或相当的隐私估计。
本事件热度走势
当前热度 8·可比范围峰值 8（10月2日 18:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。