PrimiHub一款由密码学专家团队打造的开源隐私计算平台，专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。
联邦学习中的差分隐私与同态加密
随着数据的爆炸式增长和对个人隐私保护意识的提高，隐私保护在机器学习领域中变得愈发重要。联邦学习作为一种分散式机器学习框架，允许多个参与方在不共享原始数据的情况下进行模型训练，所以成为保护隐私的一种重要方法。近年来，差分隐私和同态加密这两种隐私保护技术逐渐被引入到联邦学习中，并被认为是提高模型训练过程中隐私保护水平的有效手段。
差分隐私与同态加密的简介
差分隐私
差分隐私（Differential Privacy）是一种在保护个人隐私的同时，允许从数据中提取有用信息的方法。其核心思想是通过向数据引入控制的噪声来防止对个别数据的过度依赖从而泄露个人隐私。具体而言，对于任何一个单个个体的数据，差分隐私保证在算法输出中对该单个个体的贡献微乎其微，从而保护了个人隐私。
同态加密
同态加密（Homomorphic Encryption）是一种特殊的加密技术，允许在密文状态下执行计算，并在结果解密后与在明文状态下执行相同的计算得到相同的结果。这种特性使得数据在加密的状态下仍然可以进行计算，而不需要解密原始数据，从而保护了数据的隐私性。
联邦学习中的挑战与需求
在联邦学习中，参与方通常拥有不同的数据集，这些数据可能涵盖不同的特征和分布。所以，在模型训练过程中需要解决以下两个主要挑战：
隐私保护：参与方的数据可能包含敏感信息，如个人身份、健康记录等。在模型训练过程中，需要确保这些信息不被泄露。
模型集成：各参与方的数据集可能存在不同的特征分布，所以需要在模型训练过程中有效地整合这些分布差异，以保证模型的泛化性能。
差分隐私和同态加密技术可以分别应对上述挑战：
差分隐私：通过在参与方的数据中引入噪声，可以有效地防止个别数据的泄露，从而保护隐私。在联邦学习中，差分隐私可以用于在模型训练过程中向梯度或模型参数中添加噪声，以保护个体数据的隐私。
同态加密：同态加密可以在不暴露原始数据的情况下进行计算，所以可以在联邦学习中用于在密文状态下对模型参数进行计算。这种方式可以确保参与方的数据在整个训练过程中始终处于加密状态，从而保护隐私。
