兴趣和专长

机器学习（ML）在医疗保健、金融和零售等各个领域得到了广泛应用，用于训练预测模型，并且近年来机器学习服务平台越来越受欢迎。利用来自各个来源的大型数据集有助于提高这些模型的训练准确性，但如此大规模的数据收集引发了严重的隐私问题。

我主要研究隐私保护机器学习模型训练，重点关注两种情境：多方计算和联邦学习。在多方计算（MPC）情境下，目前的方法使用昂贵的方案（例如混淆电路）来计算非线性激活函数及其导数，因为在MPC情境中计算这些函数具有技术挑战性。同样，在联邦学习情境下，数据隐私与训练效率无法兼得。我的研究致力于设计和实施新的隐私保护机器学习训练方案，以在实际应用中既具备实用性又高效。

评述

在Supra，我参与了多个研究问题，包括分布式密钥生成（DKG），尤其是类群DKG方面的研究。此外，我还参与了各种密码协议和库的实现。

精选研究论文