Maschinell übersetztes Thema Sie können zur englischen Version wechseln.Siehe Haftungsausschluss
Die genaueste und aktuellste Version dieser Dokumentation finden Sie in der englischen (ursprünglichen) Version. IBM haftet nicht für Schäden oder Verluste, die durch die Verwendung automatisch (maschinell) übersetzter Inhalte entstehen.
Beispiel für homomorphe Verschlüsselung von Federated Learning für API
Letzte Aktualisierung: 28. Nov. 2024
Beispiel für homomorphe Verschlüsselung von Federated Learning für API
Laden Sie Beispieldateien herunter, die zeigen, wie ein Experiment für föderiertes Lernen mit Fully Homomorphic Encryption (FHE) ausgeführt wird.
Homomorphe Verschlüsselung
Copy link to section
FHE ist eine erweiterte, optionale Methode, um zusätzliche Sicherheit und Datenschutz für Ihre Daten bereitzustellen, indem Daten verschlüsselt werden, die zwischen Parteien und dem Aggregator gesendet werden. Diese Methode erstellt weiterhin ein Berechnungsergebnis, das mit dem Ergebnis identisch ist, dass die Berechnungen für unverschlüsselte Daten durchgeführt wurden. Weitere Informationen zum Anwenden der homomorphen Verschlüsselung in Federated Learning finden Sie unter Verschlüsselung anwenden.