• Portal do Governo Brasileiro
  • Atualize sua Barra de Governo
  • Ir para o conteúdo 1
  • Ir para o menu 2
  • Ir para a busca 3
  • Ir para o rodapé 4
  • Acessibilidade
  • Alto Contraste
  • Mapa do Site
Topo
Laboratório Nacional de Computação Científica

LNCC

Ministério da Ciência, Tecnologia e Inovações
Instagram Linkedin Facebook YouTube
  • SDumont
  • Imprensa
  • SEI-MCTI
  • Webmail
  • Intranet
  • Fale Conosco
Destaques Result. Programas PCI-LNCC Resultado Final do 1º Processo Seletivo de 2021 Guia de Conduta
logo

O LNCC

  • Histórico
  • Missão
  • Estrutura Organizacional
  • Corpo Técnico Científico
  • Documentos Institucionais
  • Localização

Coordenações

  • Coordenação de Métodos Matemáticos e Computacionais - COMAC
  • Coordenação de Modelagem Computacional - COMOD
  • Coordenação de Pós-graduação e Aperfeiçoamento - COPGA
  • Coordenação de Tecnologia da Informação e Comunicação - COTIC
  • Coordenação de Gestão e Administração - COGEA

Pesquisa e Desenvolvimento

  • Linhas de Pesquisa
  • Produção Técnico-Científica
  • Projetos de P & D
  • Grupos de Pesquisa

Supercomputador SDUMONT - Computação de Alto Desempenho

  • Supercomputador Santos Dumont
  • CENAPAD
  • SINAPAD

Programas Nacionais

  • INCT-MACC
  • LABINFO
  • SINAPAD

Inovação

  • Incubadora
  • NitRio
  • Soluções para Empresas

Programas  Acadêmicos

  • Mestrado e Doutorado
  • Programa de Verão
  • Bolsas de Estudos

Eventos

Biblioteca

  • Biblioteca

Acesso à Informação

  • Institucional
  • Ações e Programas
  • Participação Social
  • Auditorias
  • Receitas e Despesas
  • Licitações, Contratos e Convênios
  • Servidores
  • Informações Classificadas
  • Serviço de Informação ao Cidadão - SIC
  • Perguntas Frequentes
  • Dados Abertos
  • Gestão Documental
  • Agenda do Diretor
  • Carta de serviço ao Cidadão
  • Sobre a Lei de Acesso à Informação
  • Assessoria de Comunicação
  • Ouvidoria
  • Comissão de Ética
  • Gestão de Riscos
  • Guia de Conduta
  • LGPD
 

EVENTO



Secure Aggregation Protocols for Federated Learning

Tipo de evento:
Seminário de Avaliação - Série A


In the age of big data, devices like smartphones, wearables, sensors, and so on continuously produce enormous amounts of information. These data are frequently employed to train machine learning models capable of executing various tasks, including image recognition, sentiment analysis, demand prediction, and others. Nonetheless, these data might be sensitive and encompass personal details, such as medical records, banking information, or consumer records, among others. The leakage of this data can have detrimental consequences on individuals' lives and lead to penalties for companies that infringe upon user privacy. Federated Learning (FL) is a viable method to safeguard data privacy. FL is a form of distributed machine learning wherein numerous devices work together to train a global model. FL guarantees that data remains on each individual device and that only gradients originating from local models are exchanged. FL can be categorized into two types: Centralized Federated Learning, which involves a central server orchestrating the aggregation of each member's model into a global model, and Decentralized Federated Learning, which eliminates the need for a central server to manage the aggregation process. However, merely by exchanging the model gradients, specific attacks can reconstruct user data. This can potentially lead to a breach of the Federated Learning principle, which aims to ensure the confidentiality of local data. Hence, it is crucial to guarantee that only the outcome of combining all local models is shared without encryption. This thesis introduces two secure aggregation protocols for different types of Federated learning: Centralized Federated Learning and Decentralized Federated Learning. The protocol for Centralized Federated Learning utilizes Homomorphic Encryption, Dining Cryptographer's Networks (DC-Nets), and Shamir's Secret Sharing. On the other hand, the protocol for Decentralized Federated Learning combines the Multi-Secret Sharing scheme with a Dining Cryptographers Network. The proposed protocols were validated through simulations using the MNIST handwritten digit dataset. These protocols yield outcomes similar to the FedAvg protocol in federated learning while incorporating additional privacy into the models.

Para assistir acesse:
meet.google.com/yvn-epwd-uyh

Data Início: 25/03/2024
Hora: 13:00
Data Fim: 25/03/2024
Hora: 17:00

Local:  LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual

Aluno:
Diogo Pereira da Silva Santos - - LNCC

Orientador:
Fábio Borges de Oliveira - Laboratório Nacional de Computação Científica - LNCC

Participante Banca Examinadora:
Bruno Richard Schulze - Laboratório Nacional de Computação Científica - LNCC
Fábio Borges de Oliveira - Laboratório Nacional de Computação Científica - LNCC
Lisandro Zambenedetti Granville - Universidade Federal do Rio Grande do Sul - UFRGS

Suplente Banca Examinadora:
Renato Portugal - Laboratório Nacional de Computação Científica - LNCC


Últimas eventos

  •   Principal
  •   Hotéis/Pousadas
  •   Área do Inscrito
 
 Voltar para o topo
Rodapé

Principal

  • Estrutura Organizacional
  • Corpo Técnico Científico
  • Produção Técnico-Científica
  • Projetos de P & D
  • Mestrado e Doutorado
  • Bolsas de Estudos
  • Seminários
  • Congressos / Escolas / Cursos
  • Biblioteca

Acesso à Informação

  • Institucional
  • Ações e Programas
  • Participação Social
  • Auditorias
  • Receitas e Despesas
  • Licitações, Contratos e Convênios
  • Servidores
  • Informações Classificadas
  • Serviço de Informação ao Cidadão - SIC
  • Perguntas Frequentes
  • Dados Abertos
  • Gestão Documental
  • Agenda do Diretor
  • Carta de serviço ao Cidadão
  • Sobre a Lei de Acesso à Informação
  • Ouvidoria
  • Comissão de Ética
  • Gestão de Riscos
  • Guia de Conduta

Serviços

  • Fale Conosco
  • Assessoria de Comunicação

Redes Sociais

  • Instagram
  • Linkedin
  • Facebook
  • YouTube

Navegação

  • Acessibilidade
  • Mapa do Site

Brasil - Governo Federal   Brasil - Governo Federal