纵向联邦学习的加速
密码学与安全
2024-01-23 v2 性能
摘要
隐私、安全和数据治理约束排除了跨孤岛数据集成中暴力式的过程，这继承了物联网的发展。联邦学习被提出用以确保各方在数据不出本地的情况下协同完成训练任务。纵向联邦学习是联邦学习在分布式特征上的专门化。为保护隐私，采用同态加密以在无需解密的情况下进行加密运算。然而，在提供强健安全保证的同时，同态加密带来了额外的通信与计算开销。在本文中，我们全面且定量地分析了同态加密下纵向联邦学习的当前瓶颈。我们提出了一种弹性于掉队者且计算高效的加速系统，在异构场景下最多将通信开销降低 65.26%，并将同态加密引起的计算开销最多降低 40.66%。我们的系统能够在不损失安全性的前提下提升当前纵向联邦学习框架的鲁棒性与效率。
引用
@article{arxiv.2207.11456,
title = {Accelerating Vertical Federated Learning},
author = {Dongqi Cai and Tao Fan and Yan Kang and Lixin Fan and Mengwei Xu and Shangguang Wang and Qiang Yang},
journal= {arXiv preprint arXiv:2207.11456},
year = {2024}
}