对“针对投毒攻击的隐私增强联邦学习”的评论
密码学与安全
2024-10-01 v1 机器学习
摘要
2021年8月，Liu等人（IEEE TIFS'21）提出了一种名为PEFL的隐私增强框架，旨在利用同态加密高效检测联邦学习（FL）中的投毒行为。在本文中，我们证明PEFL并不能保护隐私。具体来说，我们阐明PEFL将所有用户的完整梯度向量以明文形式暴露给其中一个参与实体，从而违反了隐私保护。此外，我们通过指出所提系统中的多个缺陷，清楚地表明对此问题的即时修复仍不足以实现隐私保护。注意：尽管我们在第二节中提到的隐私问题已于2023年1月发表（Schneider等人，IEEE TIFS'23），但后续仍有数篇论文继续引用Liu等人（IEEE TIFS'21）作为私有联邦学习的潜在解决方案。虽然少数工作承认了我们提出的隐私问题，但后续的若干工作要么传播了这些错误，要么采用了Liu等人（IEEE TIFS'21）的构造，从而无意中继承了相同的隐私漏洞。我们认为，这种疏忽部分是由于我们在TIFS'23（Schneider等人，IEEE TIFS'23）上的评论文章可见度有限。因此，为了防止Liu等人（IEEE TIFS'21）中有缺陷的算法继续传播到未来的研究中，我们也把本文提交到了ePrint。
引用
@article{arxiv.2409.19964,
title = {Comments on "Privacy-Enhanced Federated Learning Against Poisoning Adversaries"},
author = {Thomas Schneider and Ajith Suresh and Hossein Yalame},
journal= {arXiv preprint arXiv:2409.19964},
year = {2024}
}
备注
Published at IEEE Transactions on Information Forensics and Security'23