基于安全聚合的高效纵向联邦学习
机器学习
2023-05-22 v1 人工智能
密码学与安全
摘要
隐私保护联邦学习(FL)的多数工作聚焦于横向划分的数据集，其中客户端共享相同的特征集且可独立训练完整模型。然而，在诸多有趣的问题中，如金融欺诈检测与疾病检测，单个数据点分散于不同客户端/机构之间，属于纵向联邦学习。此类FL的解决方案需要在参与者之间交换梯度，且很少考虑隐私与安全问题，存在隐私泄露的潜在风险。本工作中，我们提出一种新颖的设计，利用最先进的安全模块进行安全聚合，以安全且高效的方式训练纵向FL。我们通过实验证明，与同态加密(HE)相比，我们的方法在不影响训练性能的同时获得了9.1e2至3.8e4倍的加速。
引用
@article{arxiv.2305.11236,
title = {Efficient Vertical Federated Learning with Secure Aggregation},
author = {Xinchi Qiu and Heng Pan and Wanru Zhao and Chenyang Ma and Pedro Porto Buarque de Gusmão and Nicholas D. Lane},
journal= {arXiv preprint arXiv:2305.11236},
year = {2023}
}
备注
Federated Learning Systems (FLSys) Workshop @ MLSys 2023