隐私提升：面向移动群智感知的隐私保护联邦极限提升
密码学与安全
2020-04-13 v2
摘要
近期，Google 及其他 24 家机构提出了一系列针对联邦学习（FL）的开放挑战，包括应用扩展与同态加密（HE）。前者旨在扩展 FL 适用的机器学习模型；后者关注将 HE 应用于 FL 时由谁持有私钥。对于朴素的 HE 方案，服务器被设定为掌握私钥。这种设置带来了一个严重问题：如果服务器在解密前不进行聚合，服务器便有机会访问用户的更新。受这两项挑战启发，我们提出了 FedXGB，一种支持强制聚合的联邦极限梯度提升（XGBoost）方案。FedXGB 主要实现了以下两项突破。首先，FedXGB 包含一种用于 FL 的基于 HE 的安全聚合方案。通过结合秘密共享与同态加密的优势，该算法能够解决上述第二项挑战，并且对用户掉线具有鲁棒性。其次，FedXGB 通过将该安全聚合方案应用于 XGBoost 的分类与回归树构建，将 FL 扩展至一种新的机器学习模型。此外，我们进行了全面的理论分析与大量实验，以评估 FedXGB 的安全性、有效性与效率。结果表明，与原始 XGBoost 相比，FedXGB 的精度损失不到 1%，并且在 FL 的基于 HE 的模型更新聚合中可减少约 23.9% 的运行时间与 33.3% 的通信开销。
引用
@article{arxiv.1907.10218,
title = {Boosting Privately: Privacy-Preserving Federated Extreme Boosting for Mobile Crowdsensing},
author = {Yang Liu and Zhuo Ma and Ximeng Liu and Siqi Ma and Surya Nepal and Robert Deng},
journal= {arXiv preprint arXiv:1907.10218},
year = {2020}
}