基于可审计同态且具有属性差分隐私的去中心化协作人工智能

近年来，联邦学习（FL）的概念催生了具有隐私保护的分布式人工智能（AI）新范式。然而，由于需要可信第三方，当前大多数联邦学习系统都存在数据隐私问题。尽管一些先前的工作引入了差分隐私来保护数据，但它也可能显著降低模型性能。为了解决这些问题，我们提出了一种新颖的去中心化协作人工智能框架，名为可审计的基于同态的去中心化协作人工智能（AerisAI），通过同态加密和细粒度差分隐私来提高安全性。我们提出的 AerisAI 直接使用基于区块链的智能合约聚合加密参数，从而摆脱了对可信第三方的需求。我们还提出了一个全新的概念，用于消除差分隐私对模型性能的负面影响。此外，所提出的 AerisAI 还提供了基于密文策略属性加密（CPABE）的广播感知群组密钥管理，以实现基于不同服务级别协议的细粒度访问控制。我们对所提出的 AerisAI 进行了正式的理论分析，并与其他基线方法进行了功能比较。我们还在真实数据集上进行了大量实验来评估所提出的方法。实验结果表明，我们提出的 AerisAI 显著优于其他最先进的基线方法。