BlindFL：不窥探数据的纵向联邦机器学习
机器学习
2022-06-17 v1 密码学与安全
摘要
由于隐私保护关切的上升，如何在不同数据源上构建具有安全保证的机器学习（ML）模型正获得越来越多的关注。纵向联邦学习（VFL）描述了这样一种情形：ML 模型建立在拥有同一实例集不相交特征的不同参与方私有数据之上，这契合许多现实世界的协作任务。然而，我们发现现有的 VFL 解决方案要么支持有限种类的输入特征，要么在联邦执行期间遭受潜在数据泄露。为此，本文旨在研究 VFL 场景下 ML 模型的功能性与安全性。具体而言，我们引入 BlindFL，一种用于 VFL 训练与推理的新框架。首先，为解决 VFL 模型的功能性，我们提出联邦源层以联合不同方的数据。各类特征均可由联邦源层高效支持，包括稠密、稀疏、数值和类别特征。其次，我们仔细分析联邦执行期间的安全性并形式化隐私需求。基于该分析，我们设计了安全且准确的算法协议，并进一步在理想-真实模拟范式下证明了安全保证。大量实验表明，BlindFL 高效支持多样数据集与模型，同时实现强健的隐私保证。
引用
@article{arxiv.2206.07975,
title = {BlindFL: Vertical Federated Machine Learning without Peeking into Your Data},
author = {Fangcheng Fu and Huanran Xue and Yong Cheng and Yangyu Tao and Bin Cui},
journal= {arXiv preprint arXiv:2206.07975},
year = {2022}
}
备注
SIGMOD 2022