隐私训练营 第7讲 上手实操:基于PIR的场景案例

Jagermeister_gin 2024-12-08 22:30:36

PIR实操
保证数据交互的隐私性
客户端提供的数据对服务端是不可见的
服务端数据集的非查询数据对应信息对客户端来说是不可见的
实操内容
pir_setup接口
从 pir_server_setup 中查询 pir_query.csv 
具体参数参考PIR功能与使用笔记
pir_query接口
从 pir_server_setup 中查询 pir_query.csv 
具体参数参考PIR功能与使用笔记

在做完PSI后,先为Alice生成一个随机的密钥并放在/tmp路径下,只需Alice执行即可:

 然后是为Alice和Bob设置PIR,路径别写错了,在PSI的Alice求交结果中,分别有uid、credit_card_number和credit_card_provider。这里我们以uid为查询索引让Bob去Alice中查询是否有Bob想要查的数据。所以查询关键字key_columns是uid,还需要让Alice返回我要查询的结果,就是label:"credit_card_number","credit_card_provider"。

 然后定义query,Bob将自己的查询关键字传递给Alice,Alice返回结果,Bob保存

 

 

...全文
99 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文系统介绍了物理信息神经网络(PINNs)在求解布洛赫-托雷(Bloch-Torrey)方程中的应用,结合PyTorch框架提供了完整的Python代码实现案例。文章深入阐述了如何将物理先验知识嵌入神经网络训练过程,通过构建复合损失函数,强制网络输出满足控制方程、初始条件与边界条件,从而实现对布洛赫-托雷方程的无网格化、高精度求解。该方法突破了传统数值方法在高维、多尺度及复杂几何场景下的计算瓶颈,展现出优异的泛化能力与计算效率,特别适用于医学成像、扩散磁共振等领域中复杂的物理场建模与仿真任务。; 适合人群:具备深度学习与偏微分方程理论基础,从事科学计算、生物医学工程、材料科学或相关交叉学科研究的研究生、科研人员及算法工程师。; 使用场景及目标:①应用于扩散磁共振成像(dMRI)等医学影像技术中的复杂扩散过程建模与反演;②为高维偏微分方程的高效求解提供数据驱动的新范式,提升仿真精度与计算速度;③作为PINNs在AI for Science领域中的典型实践案例,推动物理引导的深度学习方法在实际科研项目中的落地与拓展。; 阅读建议:建议读者结合提供的完整代码资源(可通过公众号“荔枝科研社”或百度网盘获取),动手复现并调试模型,深入理解PINNs的架构设计、损失函数构建与物理约束嵌入机制,同时可尝试将该方法迁移至其他类似物理系统的建模与求解任务中进行创新性研究。

575

社区成员

发帖
与我相关
我的任务
社区描述
隐语开源社区,隐私计算开发者交流和讨论的平台。
密码学可信计算技术安全 企业社区
社区管理员
  • 隐语SecretFlow
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告

【最新活动】

3月18日:隐私计算实训营第一期

试试用AI创作助手写篇文章吧