面向资源受限物联网设备的去中心化隐私化学习
机器学习
2025-10-21 v2 人工智能
密码学与安全
摘要
人工智能 (AI) 在物联网 (IoT) 生态系统中的广泛采用，加剧了对能在异构资源受限设备上高效且私密运行的个性化学习方法的需求。然而，在去中心化环境中实现有效的个性化学习引入了若干挑战，包括在客户端之间高效的知识传递、数据隐私保护以及对中毒攻击的鲁棒性。为此，本文开发了 P4 (Personalized, Private, Peer-to-Peer) ——一种为资源受限 IoT 设备提供个性化模型的方法，确保满足差分隐私要求并具备抗中毒攻击鲁棒性。我们的解决方案采用轻量级、完全去中心化的算法，私密检测客户端相似性并形成协作组。组内客户端利用差分隐私知识蒸馏进行联合训练，维持高精度同时确保对恶意客户端的鲁棒性。我们在主流基准数据集上进行评估，使用线性模型和 CNN 架构进行各种异构性设置和攻击情景下的实验。实验结果表明，P4 在多个差分隐私去中心化方法中实现 5%至 30% 的更高精度，并在最多 30% 恶意客户端情况下保持鲁棒性。此外，我们在资源受限设备上演示了其实际应用，两个客户端之间的协作训练仅增加约 7 秒的开销。
引用
@article{arxiv.2506.20413,
title = {Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning},
author = {Mohammad Mahdi Maheri and Denys Herasymuk and Hamed Haddadi},
journal= {arXiv preprint arXiv:2506.20413},
year = {2025}
}
备注
This paper has been accepted for publication at the IEEE Annual Congress on Artificial Intelligence of Things (IEEE AIoT) 2025