面向分布式数据的差分保密及其在鲁棒差分安全向量求和中的应用
密码学与安全
2022-02-23 v1 机器学习
摘要
计算实值向量的带噪和是差分隐私学习与统计中的一个重要原语。在私有联邦学习应用中，这些向量由客户端设备持有，从而引出了一个分布式求和问题。针对该问题的标准安全多方计算（SMC）协议易受投毒攻击，即客户端可能对求和产生较大影响而不被察觉。在这项工作中，我们提出了一种在多服务器设置下抗投毒的私有求和协议，该设置近期在PRIO中被研究。我们提出了一种向量求和协议，可验证每个贡献的欧几里得范数近似有界。我们表明，通过将SMC中的安全性约束放宽为类似差分隐私的保证，可以在通信需求以及客户端计算方面优于PRIO。与不可避免地将被整数转换为大有限域元素的SMC算法不同，我们的算法在整数/实数上运行，这可能带来额外的效率。
引用
@article{arxiv.2202.10618,
title = {Differential Secrecy for Distributed Data and Applications to Robust Differentially Secure Vector Summation},
author = {Kunal Talwar},
journal= {arXiv preprint arXiv:2202.10618},
year = {2022}
}
备注
17 pages