一种隐私中心方法：基于混合同态加密实现可扩展安全联邦学习
密码学与安全
2025-08-08 v2 机器学习
摘要
联邦学习（FL）通过不共享原始数据实现协作模型训练，因而是面向隐私敏感领域的有前景的方法。尽管存在这种潜力，FL面临着显著挑战，尤其是通信开销和数据隐私。隐私保持技术（PPTs）如同态加密（HE）已用于缓解这些担忧。然而，这些技术会引入显著的计算和通信成本，限制了其实际部署。本 work探索如何将混合同态加密（HHE）——一种结合对称加密与HE的加密协议——有效地集成到FL中，以解决通信和隐私挑战，为可扩展且安全的去中心化学习系统之路。
引用
@article{arxiv.2507.14853,
title = {A Privacy-Centric Approach: Scalable and Secure Federated Learning Enabled by Hybrid Homomorphic Encryption},
author = {Khoa Nguyen and Tanveer Khan and Hossein Abdinasibfar and Antonis Michalas},
journal= {arXiv preprint arXiv:2507.14853},
year = {2025}
}