Fed-AugMix：通过数据增强平衡隐私与效用
密码学与安全
2024-12-19 v1
摘要
梯度泄露攻击对联邦学习的隐私保障构成重大威胁。虽然通常采用基于失真的保护机制来缓解此问题，但它们往往导致显著的性能下降。现有方法难以在确保隐私的同时保持模型性能。为应对这一挑战，我们提出了一种新颖的基于数据增强的框架，旨在实现有利的隐私-效用权衡，并在某些情况下有可能提升模型性能。我们的框架在客户端层面整合了AugMix算法，实现了可控严重程度的数据增强。通过将Jensen-Shannon散度融入损失函数，我们将AugMix引入的失真嵌入模型梯度中，有效抵御深度泄露攻击以保护隐私。此外，JS散度促进了同一图像不同增强版本之间的模型一致性，增强了鲁棒性和性能。在基准数据集上的大量实验证明了我们方法在保护隐私方面的有效性和稳定性。此外，我们的方法保持并在某些情况下提升了模型性能，展示了其实现稳健隐私-效用权衡的能力。
引用
@article{arxiv.2412.13818,
title = {Fed-AugMix: Balancing Privacy and Utility via Data Augmentation},
author = {Haoyang Li and Wei Chen and Xiaojin Zhang},
journal= {arXiv preprint arXiv:2412.13818},
year = {2024}
}