DP-SIGNSGD：当效率遇上隐私与鲁棒性
密码学与安全
2021-05-12 v1
摘要
联邦学习（FL）已成为一种有前景的协作范式，使多方能够在不暴露私有训练数据的情况下构建联合模型。FL 中的三大挑战是效率、隐私与鲁棒性。近期提出的带多数投票的 SIGNSGD 展示了应对效率与拜占庭鲁棒性的有前景方向。然而，无法保证 SIGNSGD 具有隐私保护能力。本文中我们填补这一空白，提出一种称为 DP-SIGNSGD 的改进方法，可同时满足上述所有性质。我们进一步提出 DP-SIGNSGD 的误差反馈变体以提高精度。在基准图像数据集上的实验结果证明了我们所提方法的有效性。
引用
@article{arxiv.2105.04808,
title = {DP-SIGNSGD: When Efficiency Meets Privacy and Robustness},
author = {Lingjuan Lyu},
journal= {arXiv preprint arXiv:2105.04808},
year = {2021}
}
备注
Accepted by ICASSP21