论文部分内容阅读
数字技术赋能 外贸开启提质升级新空间
【出 处】
：
经济参考报
【发表日期】
：
2020年01期
其他文献
针对联邦学习算法中存在的训练效率低、通信成本高等问题，提出基于纵向联邦学习的快速提升树算法，在模型传递一阶导数和二阶导数时使用差分隐私方案，并在初始化预测类标签时增加随机扰动。相比于目前常见联邦学习框架FATE中依靠半同态加密实现的安全提升树（SecureBoost）模型，本算法在不降低模型精度的情况下，在相同8.5万样本的数据上，运行速度提升了60.79%，传输数据量减少了31.65%。相同65
隐私计算是一种新型数据处理技术，可以在保护数据隐私及安全的前提下，实现数据价值转化和流通。然而隐私计算场景中“数据可用不可见”的特性给传统的数据质量治理工作带来了很大的挑战，业界尚缺乏完善的解决方案。针对上述问题，提出一种适用于隐私计算场景的数据质量治理方法与流程，构建了本地与多方两个层级的数据质量评估体系，能够兼顾本地域及联邦域的数据质量治理工作，同时提出了一种数据贡献度衡量方法，对隐私计算的长
在国家数据要素化战略和数据隐私保护要求并行的时代背景下，隐私计算技术作为实现数据安全融合的工具受到金融行业广泛关注，并已出现较多探索应用。然而，目前相关理论研究较少，同时行业对隐私计算技术缺乏系统性的梳理。本文先根据技术原理，对隐私计算技术进行了系统梳理，并从数据流通安全的角度对典型产品技术架构进行剖析。在此基础上，总结了金融行业的隐私计算技术应用现状，提出下阶段该技术大规模商业化应用的建议，为金
＜正＞近年来，伴随金融数据与其他数据融合应用的案例持续增多，跨行业的数据共享、开放和协作演化为新的发展趋势，并促使金融机构在普惠金融、精准营销、风险管理等领域发生了深刻变革，而如何实现数据开发利用与安全保护、如何建设安全可信的金融数据生态，也成为金融行业亟待解决的关键问题。对此，隐私计算技术的发展为金融数据融合应用提供了全新路径，通过综合运用密码学、统计学等方法，实现了数据“可用不可见”与“可控可
期刊
联邦学习为非互信实体间的合作学习提供了一种新的解决思路，通过本地训练和中央聚合的模式，在训练全局模型的同时保护各实体的本地数据隐私。然而相关研究表明，该模式下无论是用户上传的局部模型，还是中央聚合的全局模型，都会泄露用户数据的信息。安全多方计算和差分隐私作为两种主流的隐私保护技术，分别保护计算过程和计算结果的隐私。目前很少有工作结合这两种技术的优势，用于联邦学习训练全流程的防护。将安全多方计算、差
＜正＞智能头盔、5G智能安全帽、“自带”安全培训的安全帽……随着科技的发展,劳保用品不断更新换代,在各项新技术的加持下,除了起到保护作用外,满足不同工作需要的高性能劳保用品和装备不断“上新”。为劳保用品添“智”的期待,正在一些地方化为现实。
期刊
＜正＞隐私计算应运而生隐私作为将人与动物区别开来的人的精神性追求的直接体现，关乎人格尊严，是与人的本性相连的基本需求之一。当今，科技水平的飞速提升和网络信息的爆发式增长在推动社会发展的同时也正在使人们的隐私利益面临着前所未有的挑战，对隐私的合理保护之于当前时代背景下的人类社会可谓意义重大。
期刊