基于随机二进制权重提升隐私保护性联邦学习中的安全性
密码学与安全
2024-10-01 v1
摘要
本文提出一种新方法，用于在隐私保护性联邦学习中提升安全性，同时采用 Vision Transformer。联邦学习通过收集各客户端的更新信息来进行学习，而不获取各客户端的原始数据。然而，这些更新信息可能被推断出原始数据。传统数据推测反击措施（安全性增强方法）存在隐私保护强度与学习效率之间的权衡，通常会降低模型性能。本文提出的联邦学习方法既不降低模型性能，又对针对更新信息的数据推测攻击具有鲁棒性。在所提方法中，每个客户端独立生成一序列二进制（0 或 1）随机数，将其与更新信息相乘后发送至服务器进行模型学习。实验结果表明，所提方法在模型性能和抗性 APRIL（Attention PRIvacy Leakage）恢复攻击方面均表现出色。
引用
@article{arxiv.2409.19988,
title = {Enhancing Security Using Random Binary Weights in Privacy-Preserving Federated Learning},
author = {Hiroto Sawada and Shoko Imaizumi and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2409.19988},
year = {2024}
}
备注
6pages, 17figures