XiaoMi-AI文件搜索系统
World File Search System同态
安全的联邦学习：分析不同的加密工具
摘要：将联合学习确定为旨在使用私人数据集培训不同客户模型的最有效的协作学习方法之一。是私人的，我们的意思是，客户的数据集从未公开，因为它们用于本地培训客户的模型。然后，中央服务器负责汇总不同型号的权重。中央服务器通常是一个诚实而有趣的实体，可能有兴趣通过使用模型反转或会员推论来收集有关客户数据集的信息。在本文中，我们讨论了提供安全联合学习框架的不同加密选项。我们调查了差异隐私，同型加密和多方计算（MPC）的使用，同时考虑了不同的威胁模型。在我们的同态加密方法中，我们将使用Paillier Cryptosystem的优化版本获得的结果与使用BFV和CKK获得的结果进行了比较。至于MPC技术，在各种安全假设下测试了不同的一般协议。总体而言，我们发现他的性能更好，对于较低的带宽使用情况。
讲义字段，戒指和模块-Sergey Mozgovoy
1。戒指2 1.1。基本定义2 1.2。理想和商戒指4 1.3。环同态7 1.4。代数9 2。积分域13 2.1。基本定义13 2.2。独特的分解域（UFD）14 2.3。主理想域（PID）16 2.4。GCD和LCM 17 2.5。欧几里得域18 2.6。分数的场20 2.7。多项式环中的分解21 3。字段23 3.1。基本定义23 3.2。场扩展25 3.3。分裂字段和有限字段28 3.4。代数闭合字段29 3.5。用指南针和直码结构30 4。对称多项式33 4.1。判别35 5。模块36 5.1。定义和示例36 5.2。同构和子模型37 5.3。简单且难以解决的模块39 5.4。中文剩余定理41 5.5。PID 42 5.6上的模块。Noetherian模块44附录A.环形多项式45附录B. RSA算法47
大型数据集上保留隐私的逻辑回归培训
隐私的机器学习是一类密码方法，旨在分析私人和敏感数据的同时保留隐私，例如在大型加密数据上使用同型逻辑回归培训。在本文中，我们提出了一种有效的算法，用于使用同态加密（HE）对大加密数据进行逻辑回归训练，这是使用更快的渐变变体称为Quadratic梯度的最新方法的迷你批量版本。据称，二次梯度可以将曲线信息（Hessian矩阵）集成到梯度中，因此可以有效地加速一阶梯度（下降）算法。当加密的数据集如此之大，以至于必须以迷你批次方式加密时，我们还实现了其方法的全批量版本。我们将迷你批次算法与我们的全批量实施方法进行了比较，这些方法由422,108个带有200粒的样本组成的真实财务数据进行了比较。鉴于HES的效率低下，我们的结果令人鼓舞，并证明了大型加密数据集的Logistic回归培训具有可行性，这标志着我们理解的重要里程碑。
下托和海马中导航信息的独特流形编码
下托 (SUB) 在空间导航中起着至关重要的作用，其对导航信息的编码方式与海马 CA1 区不同。然而，下托群体活动的表征仍然未知。在这里，我们研究了在执行 T 迷宫和旷场任务的大鼠的 CA1 和 SUB 中细胞外记录的神经元群体活动。这两个区域中的群体活动轨迹都局限于与外部空间同态的低维神经流形。SUB 中的流形比 CA1 中的流形传达位置、速度和未来路径信息的解码精度更高。在大鼠和 CA1 和 SUB 的区域之间以及 SUB 中的任务之间，流形表现出共同的几何形状。在慢波睡眠中的任务后波动期间，群体活动在 SUB 中比在 CA1 中更频繁地表示奖励位置/事件。因此，CA1 和 SUB 将信息明显地编码到神经流形中，这些流形是清醒和睡眠期间导航信息处理的基础。
使用单个预共享键
无条件安全性意味着对加密文本的知识没有提供有关相应宣传的任何信息；或更多，无论攻击者可用的密码数量如何，任何密码分析都不会破坏密码。到目前为止，只有一次性PAD（OTP）方法以明确的假设符合此条件。在当前应用程序中需要对加密数据进行操作的同态加密方案的设计才能达到最高的隐私水平。但是，使用OTP的现有对称解决方案有关键管理问题；它们不是线性加密，这意味着它们具有较高的计算复杂性，其中一些不符合所有同构特性。即使攻击者具有强大的计算能力，即使考虑到这些问题，本文也会模拟OTP，并实现对密码分析的最大阻力。提出的基于OTP的方法的第一个主要优势是它仅使用单个预共享密钥。键由两个部分组成，固定数量的位，然后是随机位；每个部分的大小取决于系统的鲁棒性。对所提出的技术的分析表明，它通过使用其他键来加密每个消息来提供完美的隐私。
![arxiv：2502.17010v1 [cs.cr] 2025年2月24日](/simg/d\dc3f4ff72e08d9d7acaab4a273e615f4f66a9332.webp)
arxiv：2502.17010v1 [cs.cr] 2025年2月24日
摘要。在本文中，我们证明，在概率多种多样的时间缩短下，超代血质的同学概率（同态），内态环问题（末端）和最大秩序问题（maxorder）是等效的。基于同一的密码学建立在这些问题的假定硬度上，它们的互连是密码系统的设计和分析的核心，例如SQISIGN数字签名方案。以前已知的减少依赖于未经证实的假设，例如普遍的Riemann假设。在这项工作中，我们提出了无条件的减少，并将此等效网络扩展到计算两个超椭圆形曲线（Hommodule）之间所有同源性晶格的问题。对于加密应用程序，需要平均而言，对于随机实例来说，计算问题平均要困难。众所周知，如果ISEGEN很难（在最坏的情况下），那么对于随机实例就很难。我们通过证明在最坏的情况下很难证明任何上述经典问题都很难扩展，那么所有这些问题平均都很难。特别是，如果存在均质的硬实例，则平均而言，所有等级，终端，最大端阶和Hombyule都很难。
注意：调节注意力市场并防止算法情感治理的呼吁
摘要：联合学习（FL）是一个分布式范式，它使多个客户能够在不共享其敏感本地数据的情况下协作训练模型。在这种隐私敏感的环境中，同态加密（HE）通过对加密数据启用计算来起重要作用。这阻止了服务器在聚合过程中进行逆向工程模型更新，以推断私人客户数据，这是在医疗保健行业（患者conditions contions contementies contementies contementions pmagemation is Pamentaint''的情况下的重要关注。尽管有这些进步，但FL仍容易受到培训阶段恶意参与者的知识产权盗窃和模型泄漏的影响。为了抵消这一点，水标作为保护深神经网络（DNNS）的知识产权的解决方案。但是，传统的水印方法与HE不兼容，这主要是因为它们需要使用非溶液功能，而HE并非本地支持。在本文中，我们通过提出单个同型加密模型上的第一个白色框DNN水印调制来解决这些挑战。然后，我们将此调制扩展到符合他处理约束的服务器端FL上下文。我们的实验结果表明，所提出的水印调制的性能等效于未加密域上的水印。
我对这个问题的反应是：“人工智能”会威胁艺术家吗？
首先，我们来明确一点——我不太喜欢把 MLA 称为“AI”，我更不想把这些当代“艺术”MLA 称为“AI”，因为这会让那些数学知识不太丰富的人将实际作用的机制混为一谈，认为它们在某种程度上与人类具有相同的机械能力，而事实并非如此。如果你想要争辩说当前的 MLA 可以有意识，我要告诉你，他们的生成网络充其量只是有机网络的类似网络表示的异形网络，但只代表一个子集，并且除了通过该同态之外，在拓扑上并不等同。如果你不太清楚这是什么意思，那也没关系。事实上，广为人知的“AI”研究故意忽视了他们的神经网络与生物神经网络的数学模型之间的拓扑分析，而将两者等同起来的大部分研究都是通过勾勒出他们达到预期结果的方法来实现的。也就是说：“人工智能”作为一个领域，充满了希望当前技术比现在更伟大的人，并且为了避免再次陷入人工智能寒冬，它可以带来大量资金，所以人们会撒谎，而这些谎言来自该领域受过良好教育的人，因此该领域之外的人就会相信他们，你就得到了一个永久的谎言。
完美保护隐私的人工智能它是什么以及我们如何实现它？
许多人工智能应用需要处理大量敏感信息，以进行模型训练、评估和现实世界整合。这些任务包括面部识别、说话人识别、文本处理和基因组数据分析。不幸的是，在训练模型执行上述任务时，会出现以下两种情况之一：要么模型最终在敏感的用户信息上进行训练，使其容易受到恶意行为者的攻击，要么由于测试集的范围有限，其评估结果不能代表其能力。在某些情况下，模型根本就没有被创建出来。有许多方法可以集成到人工智能算法中，以维护不同级别的隐私。即差分隐私、安全多方计算、同态加密、联邦学习、安全区域和自动数据去识别。我们将简要介绍每种方法，并描述它们最合适的场景。最近，这些方法中的几种已经应用于机器学习模型。我们将介绍一些最有趣的隐私保护机器学习示例，包括将差分隐私与神经网络相结合，以避免对网络训练数据进行不必要的推断。最后，我们将讨论如何结合迄今为止提出的隐私保护机器学习方法，以实现完美的隐私保护机器学习。
如何（不）设计和实施量子后密码
由于Shor发现了用于保理和离散对数问题的多项式时间量子算法，因此研究人员研究了管理大型量子计算机潜在出现的方法，最近的前景已经变得更加明显。所提出的解决方案是基于假定对量子组合物具有抗性的问题，例如与晶格或哈希功能相关的问题。Quantum加密后（PQC）是一个包含这些方案的设计，实现和集成的伞术语。本文档是对这个多样化和进步主题的知识系统化（SOK）。我们做出了两个编辑选择。首先，PQC上详尽的SOK可能跨越了几本书，因此我们将研究限于签名和钥匙建筑方案，因为这些是大多数协议的骨干。这项研究将不涵盖更先进的功能，例如同态加密方案，阈值密码学等。第二，大多数待命的调查是（i）围绕每个家庭组织[BBD09] - （a）晶格，（b）代码，（c）多变量方程，（d）等源，（e）哈希和单向函数 - 或（ii）专注于一个单个家族[PEI15; FEO17]。我们的研究采用了横向方法，并且组织如下：（a）范式，（b）实施和（c）部署。我们看到了这种方法的几个优势：