Aegis：一种面向纵向联邦学习的可信、自动且精确的验证框架
密码学与安全
2021-08-24 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
纵向联邦学习（VFL）利用多种隐私保护算法（例如基于同态加密或秘密共享的SecureBoost）来确保数据隐私。然而，这些算法都要求半诚实安全定义，这在真实应用中引发担忧。本文中，我们提出Aegis，一种可信、自动且精确的验证框架，用于验证VFL作业的安全性。Aegis与本地参与方分离以确保框架自身安全。此外，它通过定义VFL作业为有限状态机，自动适应演进中的VFL算法，以统一验证不同算法，并复现整个作业以提供更精确的验证。我们在金融与医疗数据集上以不同威胁模型实现并评估了Aegis。评估结果显示：1）Aegis可检测95%的威胁模型；2）它在总计VFL作业时间的84%内给出细粒度验证结果。
引用
@article{arxiv.2108.06958,
title = {Aegis: A Trusted, Automatic and Accurate Verification Framework for Vertical Federated Learning},
author = {Cengguang Zhang and Junxue Zhang and Di Chai and Kai Chen},
journal= {arXiv preprint arXiv:2108.06958},
year = {2021}
}
备注
7 pages, International Workshop on Federated Learning for User Privacy and Data Confidentiality in Conjunction with IJCAI 2021 (FL-IJCAI'21)