Biscotti：用于隐私安全点对点机器学习的账本
机器学习
2019-12-13 v4 密码学与安全
分布式、并行与集群计算
机器学习
摘要
联邦学习是当前支持安全多方机器学习（ML）的最先进技术：数据保留在所有者设备上，模型更新通过安全协议聚合。然而，该过程假设一个可信的集中式基础设施进行协调，且客户端必须信任中央服务不会利用客户端数据的副产品。除此之外，一组恶意客户端还可通过发起投毒攻击损害模型性能。作为应对，我们提出Biscotti：一种完全去中心化的点对点（P2P）多方ML方法，其使用区块链与密码学原语来协调对等客户端间隐私保护的ML过程。我们的评估表明Biscotti可扩展、容错，并能抵御已知攻击。例如，当有30%的对手试图投毒模型时，Biscotti能够在规模上保护单个客户端更新的隐私及全局模型的性能。实现可于 https://github.com/DistributedML/Biscotti 获取。
引用
@article{arxiv.1811.09904,
title = {Biscotti: A Ledger for Private and Secure Peer-to-Peer Machine Learning},
author = {Muhammad Shayan and Clement Fung and Chris J. M. Yoon and Ivan Beschastnikh},
journal= {arXiv preprint arXiv:1811.09904},
year = {2019}
}
备注
20 pages