Privacy Preserving Machine Learning with Homomorphic Encryption and Federated Learning

Privacy protection has been an important concern with the great success of machine learning. In this paper, it proposes a multi-party privacy preserving machine learning framework, named PFMLP, based on partially homomorphic encryption and federated learning. The core idea is all learning parties ju...

Celý popis

Podrobná bibliografie

Vydáno v:	Future internet Ročník 13; číslo 4; s. 94
Hlavní autoři:	Fang, Haokun, Qian, Quan
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Basel MDPI AG 01.04.2021
Témata:	Accuracy Algorithms Data integrity Deep learning Efficiency Encryption Federated learning homomorphic encryption Internet Machine learning Metal fatigue multi-party machine learning Noise Privacy privacy preserving machine learning
ISSN:	1999-5903, 1999-5903
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!