从图混合视角揭示去中心化学习对成员推理攻击的脆弱性

去中心化学习的主要承诺是允许用户以协作方式参与机器学习模型的训练，同时将数据保留在本地且不依赖任何中心实体。然而，这种范式需要在节点之间交换模型参数或梯度。此类交换可被利用来推断有关训练数据的敏感信息，这是通过隐私攻击（例如，成员推理攻击——MIA）实现的。为了设计有效的防御机制，重要的是要了解增加/降低给定去中心化学习架构对 MIA 脆弱性的因素。在本研究中，我们通过在不同的数据集和数据分布上改变图结构（例如，邻居数量）、图动态和聚合策略，广泛探索了各种去中心化学习架构对 MIA 的脆弱性。据我们所知，我们首次报告的关键发现是，对 MIA 的脆弱性与以下两点高度相关：每个节点在接收到来自邻居节点的模型后执行的局部模型混合策略，以及通信图的全局混合特性。我们使用四个数据集并通过理论分析各种去中心化架构的混合特性，在实验上说明了这些结果。我们还凭经验表明，增强混合特性与其他隐私保护技术（如差分隐私）结合时非常有益。本文总结了一系列经验教训，用于设计在设计上降低对 MIA 脆弱性的去中心化学习系统。