Practical Secure Aggregation for Privacy-Preserving Machine Learning论文阅读笔记

提出了一种安全聚合算法，Secure Aggregation算法，可以使得在多方学习（如联邦学习）中各方client在不暴露各自梯度的情况下实现梯度的聚合。

实验

我们提出了安全计算向量之和的算法，它满足常数迭代轮次、低通信代价、对故障具有鲁棒性、且有一个可信度受限的server。server有两种角色：一是想其他参与方发送信息，二是计算最终结果。
鉴于联邦学习系统的缺点（对于隐私的要求以及终端不同步的问题），急切需要一种安全聚合算法来解决这些问题：

1. 操作高维数据；
2. 提高通信效率；
3. 对终端用户的失联的鲁棒性；
4. 在以server为中心且不被授权的网络模型中实现尽可能强的安全性。

密码学

分别讲了秘密共享、密钥协商、认证加密、伪随机数生成、数字签名、公钥基础设施的知识。
几个算法介绍：
$\mathbf{S}\mathbf{S}.\mathbf{s}\mathbf{h}\mathbf{a}\mathbf{r}\mathbf{e}(s,t,\mathcal{U}):$共享算法，输入为秘密$s$，代表用户ID的$n$个域元素的集合$\mathcal{U}$，和一个阈值$t\le |\mathcal{U}|$，输出为共享$s_u$的集合，其中$u\in \mathcal{U}$。
S S . r e c o n ( { ( u , s u ) } u ∈ V , t ) : \bold{SS.recon}(\{(u,s_u)\}_{u\in \mathcal{V}}, t): SS.recon({ (u,su​)}u∈V​,t):，重构函数，输入为阈值$t$，参与共享的用户子集$\mathcal{V}\subseteq \mathcal{U}$且满足$|\mathcal{V}|\ge t$，输出为域元素$s$。

$\mathbf{K}\mathbf{A}.\mathbf{p}\mathbf{a}\mathbf{r}\mathbf{a}\mathbf{m}($