EIFFeL：确保联邦学习的完整性
密码学与安全
2022-09-13 v2
摘要
联邦学习（FL）使客户端能与服务器协作训练机器学习模型。为保障隐私，服务器对来自客户端的更新执行安全聚合。遗憾的是，这阻止了对更新良构性（完整性）的验证，因为更新被掩码。因此，旨在毒化模型的畸形更新可在不被检测的情况下注入。本文中，我们形式化了在FL中同时确保更新隐私与完整性的问题，并提出了新系统\textsf{EIFFeL}，其支持对\textit{已验证}更新进行安全聚合。\textsf{EIFFeL}是一个通用框架，可在不违反隐私的前提下强制执行\textit{任意}完整性检查并从聚合中移除畸形更新。我们的实证评估展示了\textsf{EIFFeL}的实用性。例如，在个客户端和投毒下，\textsf{EIFFeL}能在每次迭代仅内将MNIST分类模型训练至与非投毒联邦学习器相同的精度。
引用
@article{arxiv.2112.12727,
title = {EIFFeL: Ensuring Integrity for Federated Learning},
author = {Amrita Roy Chowdhury and Chuan Guo and Somesh Jha and Laurens van der Maaten},
journal= {arXiv preprint arXiv:2112.12727},
year = {2022}
}