基于低维更新表示和邻域防御的联邦学习安全与隐私增强

联邦学习（FL）是一种具有隐私保留潜力的机器学习范例，允许数据所有者在保持数据本地化的同时协同训练模型。尽管具有这种潜力，FL 仍面临关于客户端和服务器可信度的问题，尤其是在面对好奇或恶意对手时。本文引入一种新型框架，称为联邦学习低维更新表示与邻域防御（FLURP），旨在解决分布式环境中的隐私保护和抵御拜占庭攻击的问题。FLURP 采用 $\mathsf{LinfSample}$ 方法，使客户端能够计算更新窗口跨域的 $l_{\infty}$ 范数，从而实现低维更新表示（LUR）。通过计算 LUR 之间的共享距离矩阵，而非更新矩阵，可将安全多方计算（SMPC）的开销降低约三个数量级，同时有效区分良性更新和中毒更新。此外，FLURP 集成了基于优化 SMPC 协议的隐私保护邻域防御机制，以最小化通信轮次。我们的实验表明，FLURP 在应对拜占庭对手方时效果出色，通信和运行时开销也较低。FLURP 提供了一个可扩展的框架，可实现分布式环境中安全可靠的 FL，促进其在需要强大数据管理和安全性的场景中的应用。