Efficient Verifiable Protocol for Privacy-Preserving Aggregation in Federated Learning 论文总结

摘要

近年来，联邦学习因其无需从用户获取原始数据即可更新模型参数而受到广泛关注，使其成为各种设备之间协作分布式学习的可行的隐私保护机器学习模型。然而，由于对手可以从共享梯度中跟踪和推断有关用户的私人信息，联邦学习容易受到许多安全和隐私威胁的影响。在这项工作中，提出了一种联邦学习设置中模型参数安全聚合的通信高效协议，其中训练是在用户设备上完成的，而聚合训练的模型可以在服务器端构建，而不会泄露用户的原始数据。该协议对用户 dropout 具有鲁棒性，它使每个用户能够独立验证服务器提供的聚合结果。建议的协议在诚实但好奇的环境中是安全的，即使大多数各方都串通，隐私也会保持。讨论了所提出设置的实际场景。此外，评估了协议的模拟，结果表明它优于最先进的协议之一，尤其是当 dropout 数量增加时。
————————————————

原文链接：https://blog.csdn.net/m0_53599400/article/details/138814563