DP-RTFL：面向受监管行业可信 AI 的差分隐私弹性时序联邦学习
密码学与安全
2025-06-02 v1 人工智能
摘要
联邦学习（FL）已成为实现隐私保护机器学习的关键范式，特别是在金融和医疗等受监管领域。然而，标准的 FL 策略通常会遇到与容错性、针对并发客户端和服务器故障的系统弹性，以及处理敏感数据所必需的稳健且可验证的隐私保证相关的重要操作挑战。这些缺陷可能导致训练中断、数据丢失、模型完整性受损，以及不遵守数据保护法规（例如 GDPR、CCPA）。本文介绍了差分隐私弹性时序联邦学习（DP-RTFL），这是一个先进的 FL 框架，旨在确保训练连续性、精确的状态恢复和强大的数据隐私。DP-RTFL 将客户端级别的本地差分隐私（LDP）与弹性时序状态管理和完整性验证机制（如基于哈希的承诺，在此语境下称为零知识完整性证明或 ZKIPs）相集成。该框架特别适用于使用敏感金融数据进行的信用风险评估等关键应用，旨在为企业 AI 部署提供操作上的稳健性、可审计性和可扩展性。DP-RTFL 框架的实现已作为开源提供。
引用
@article{arxiv.2505.23813,
title = {DP-RTFL: Differentially Private Resilient Temporal Federated Learning for Trustworthy AI in Regulated Industries},
author = {Abhijit Talluri},
journal= {arXiv preprint arXiv:2505.23813},
year = {2025}
}
备注
6 pages (IEEE conference format), 10 figures. Source code available at https://github.com/abhitall/federated-credit-risk-rtfl.git