Federated Learning Framework with Differential Privacy over Homomorphic Vector Encryption for Data-Sensitive Applications
यह शोध पत्र एक हल्का और सुरक्षित फेडरेटेड लर्निंग फ्रेमवर्क प्रस्तावित करता है जो IoMT जैसे डेटा-संवेदनशील अनुप्रयोगों को रिवर्स-इंजीनियरिंग हमलों से बचाने के लिए डिफरेंशियल प्राइवेसी को होमोमॉर्फिक वेक्टर एन्क्रिप्शन के साथ एकीकृत करता है और साथ ही इससे जुड़े भविष्य कहनेवाला (प्रेडिक्टिव) और क्रिप्टोग्राफिक ओवरहेड्स को मापता है।