AnoFel：支持隐私保护联邦学习中匿名性的框架
密码学与安全
2023-06-13 v1 机器学习
摘要
联邦学习使用户能够在其私有数据集上协作训练机器学习模型。安全聚合协议被用于缓解关于本地数据集的信息泄露。然而，这种设置仍会泄露用户在某一训练轮次中的参与情况，而这同样可能是敏感的。在用户可能随时（重新）加入或离开训练过程的动态环境中，保护用户匿名性更具挑战性。本文中，我们提出AnoFel，首个支持联邦学习中私有且匿名动态参与的框架。AnoFel利用多种密码学原语、匿名集概念、差分隐私和公共公告板，以支持匿名用户注册，以及不可关联且保密的模型更新提交。此外，我们的系统支持动态参与，用户可随时加入或离开，无需任何恢复协议或交互。为评估安全性，我们形式化了联邦学习中隐私与匿名性的概念，并形式化证明AnoFel满足该概念。据我们所知，我们的系统是首个具有可证明匿名性保证的方案。为评估效率，我们提供了AnoFel的具体实现，并开展实验展示其支持扩展到大量客户端的学习应用的能力。对于拥有512个客户端的MNIST分类任务，客户端设置耗时少于3秒，训练轮次可在3.2秒内完成。我们还将我们的系统与先前工作比较，证明了其对当代学习任务的实用性。
引用
@article{arxiv.2306.06825,
title = {AnoFel: Supporting Anonymity for Privacy-Preserving Federated Learning},
author = {Ghada Almashaqbeh and Zahra Ghodsi},
journal= {arXiv preprint arXiv:2306.06825},
year = {2023}
}