差分隐私方法在联邦学习和迁移学习中的应用
邀请课题组:魏宪课题组
讲座时间:2022年7月18日(星期一)上午 10:00-12:00
讲座地点:线上腾讯会议 会议号:451127090
参加人员:科研人员、研究生
主讲人: 吴慧雯
主持人:邵东恒
报告简介: 差分隐私方法是隐私保护机器学习中常用的方法之一,具有严格的数学定义和完备的理论结果。联邦学习和迁移学习是目前主流的两种深度学习的范式,在数据不能出域和数据资源有限的情况下有良好的表现。但单独的联邦学习和迁移学习本身只能解决数据所有权的问题,并不能解决数据隐私保护的需求。联邦学习、迁移学习和隐私保护方法的结合是新数据应用场景下日趋主流的计算范式。本讲座分别就差分隐私在纵向联邦学习和迁移学习中的隐私保护进行探索,并给出隐私性和可用性的理论证明,相关的文章分别被IJCAI’22和WWW2022所接收。
主讲人简介:吴慧雯,加州大学尔湾分校数学博士,主要研究领域:隐私保护机器学习方法及深度学习优化方法的数学理论研究。