ESMFL：高效且安全的联邦学习模型
密码学与安全
2021-03-05 v2 计算机视觉与模式识别
机器学习
摘要
如今，深度神经网络被广泛应用于诸多领域。然而，深度神经网络所需的大规模数据收集暴露了潜在的隐私问题，并消耗大量通信带宽。为解决这些问题，我们提出了一种用于联邦学习分布式系统的隐私保护方法，其运行于英特尔软件防护扩展（Intel Software Guard Extensions，一组增强应用代码与数据安全的指令）之上。同时，加密模型使得传输开销变大。因此，我们通过稀疏化降低通信成本，且在不同模型架构下均能取得合理的精度。
引用
@article{arxiv.2009.01867,
title = {ESMFL: Efficient and Secure Models for Federated Learning},
author = {Sheng Lin and Chenghong Wang and Hongjia Li and Jieren Deng and Yanzhi Wang and Caiwen Ding},
journal= {arXiv preprint arXiv:2009.01867},
year = {2021}
}
备注
7 pages, 3 figures, accepted by NeurIPS Workshop 2020, SpicyFL