FastLloyd：基于差分隐私的联邦、准确、安全且可调 k 均值聚类
密码学与安全
2025-06-12 v3 机器学习
摘要
我们研究了在水平联邦设置下进行隐私保护的 k 均值聚类的问题。现有的联邦方法使用安全计算，导致开销巨大且不提供输出隐私；而差分隐私(DP)的 k 均值算法要么假设受信任的中央策划者，要么通过在局部 DP 模型中添加噪声显著降低实用性。直接将安全和中心 DP 解决方案简单组合会导致开销不可接受。相反，我们的工作对 DP 和安全计算组件进行了改进， resulting in 一个更快、更私密、更准确的设计。通过利用计算 DP 模型，我们设计了一种基于轻量级安全聚合的做法，相较于目前最先进的相关工作实现了五个数量级的加速。此外，我们不仅保持了中心 DP 模型中最先进工作的实用性，还通过设计新的 DP 聚类机制进一步提升了实用性。
引用
@article{arxiv.2405.02437,
title = {FastLloyd: Federated, Accurate, Secure, and Tunable $k$-Means Clustering with Differential Privacy},
author = {Abdulrahman Diaa and Thomas Humphries and Florian Kerschbaum},
journal= {arXiv preprint arXiv:2405.02437},
year = {2025}
}
备注
In 34th Usenix Security Symposium