FL学习记录

本文介绍了在FederatedLearning中的一种有效且可验证的协议,旨在防止用户梯度数据泄露并确保服务提供商的准确性。讨论了引入辅助节点的方案,同时提出探索在用户端直接使用掩码方式的可能性,以简化流程并增强隐私保护。
摘要由CSDN通过智能技术生成

Paper

一、(12.13~12.19)

论文链接:Efficient Verifiable Protocol for Privacy-Preserving Aggregation in Federated Learning | IEEE Journals & Magazine | IEEE Xplore

协议主要解决三个问题:

  1. 防止用户梯度隐私数据泄露,保护用户局部梯度 
  2. 解决消除训练过程中用户中途退出带来的影响
  3. 可验证(服务提供商可能出于故意或意外情况而向用户返回不正确的结果,因此建议客户设备具备验证服务提供商发送的聚合模型参数的能力)

总体流程:

idea:该协议引入了辅助性节点,在复杂度、开销等方面确实提升不少,有没有可能将辅助性节点去除,将这种掩码的方式在user里交互,保护梯度。

二、(12.20~)

论文链接:https://ieeexplore.ieee.org/abstract/document/8765347

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值