NIST 国家网络安全卓越中心(NCCoE)于 2026 年 10 月 29 日宣布,发布开源隐私保护联邦学习(PPFL)测试平台和一套整理后的基因组数据集。这些资源属于 NIST 隐私增强技术(PETs)测试平台项目,旨在帮助机构探索如何在降低隐私风险的同时使用敏感数据。[1]

据 NIST 介绍,该软件支持集中式训练和跨站点联邦训练,两种模式均可选择是否启用差分隐私。联邦学习让训练数据保留在各参与站点;差分隐私通过加入经过校准的噪声,限制模型透露单条记录的信息,但会牺牲一定准确率。测试平台允许用户比较不同配置和隐私设置对模型性能的影响。[1]

配套数据集来自美国农业部(USDA)的 Soybean Germplasm Collection,涵盖超过 18,000 份大豆种质材料,即个体记录。NIST 称,这套数据已整理为可用于机器学习的形式,为比较不同测试平台配置提供共同基础。首个用例是基因组学;NIST 还表示,该软件只需少量配置即可处理许多表格数据集。公告提及 2025 年的一次公开红队测试,但未提供其发现。[1]

[1]: NIST,《Privacy-Preserving Federated Learning (PPFL) Testbed and Curated Dataset》,2026 年 10 月 29 日。https://www.nist.gov/news-events/news/2026/10/privacy-preserving-federated-learning-ppfl-testbed-and-curated-dataset

来源

  1. Privacy-Preserving Federated Learning (PPFL) Testbed and Curated Datasetwww.nist.gov · 2026年10月29日

核查或更正本页

验证记录

下方摘要可以说明你读到的文字是否与公开的源文件一致,但不能说明报道内容本身正确。这一摘要在构建时根据本页的 Markdown 源文件计算,并列入站点清单。

36fea8f0ad17eeef6df7d413d7463a6bd9044ca498b61683c13d6b7872206059