通过维度压缩实现高效拜占庭鲁棒隐私保护联邦学习
密码学与安全
2025-09-16 v1
摘要
联邦学习（FL）允许在分布式客户端间协作训练模型而无需共享原始数据，从而保护隐私。然而，该系统仍易受梯度更新中的隐私泄露和恶意客户端的拜占庭攻击。现有方案在隐私保护、拜占庭鲁棒性与计算效率之间面临关键权衡。我们提出了一种新颖方案，通过整合同态加密与基于Johnson-Lindenstrauss变换的维度压缩，有效平衡了这些竞争目标。我们的方法采用双服务器架构，在密文域中实现安全的拜占庭防御，同时通过梯度压缩大幅降低计算开销。维度压缩技术在保留拜占庭防御所需几何关系的同时，将计算复杂度从降至密码学操作，其中。在多样化数据集上的广泛实验表明，我们的方法在保持与非私有FL相当的模型精度的同时，有效防御了占比高达的拜占庭客户端。
引用
@article{arxiv.2509.11870,
title = {Efficient Byzantine-Robust Privacy-Preserving Federated Learning via Dimension Compression},
author = {Xian Qin and Xue Yang and Xiaohu Tang},
journal= {arXiv preprint arXiv:2509.11870},
year = {2025}
}