FedAdOb：具有自适应混淆的隐私保护联邦深度学习
密码学与安全
2024-06-04 v1 人工智能
摘要
联邦学习（FL）作为一种协作方法出现，允许多个客户端共同学习机器学习模型，而无需共享其私有数据。关于隐私泄露的担忧，尽管在特定条件下得到证实，但已引发大量后续研究，旨在设计强大的攻击方法和有效的防御机制以挫败这些攻击方法。然而，这些防御方法中采用的隐私保护机制，由于对私有数据或梯度应用固定的混淆，不可避免地导致模型性能受损。因此，在本文中，我们提出了一种新颖的自适应混淆机制，称为FedAdOb，以在不牺牲原始模型性能的情况下保护私有数据。从技术上讲，FedAdOb利用基于通行证的自适应混淆来确保在横向和纵向联邦学习设置中的数据隐私。FedAdOb的隐私保护能力，特别是关于私有特征和标签的能力，通过定理1和定理2在理论上得到了证明。此外，在各种数据集和网络架构上进行的大量实验评估，通过展示其在隐私保护与模型性能之间优于现有方法的权衡，证明了FedAdOb的有效性。
引用
@article{arxiv.2406.01085,
title = {FedAdOb: Privacy-Preserving Federated Deep Learning with Adaptive Obfuscation},
author = {Hanlin Gu and Jiahuan Luo and Yan Kang and Yuan Yao and Gongxi Zhu and Bowen Li and Lixin Fan and Qiang Yang},
journal= {arXiv preprint arXiv:2406.01085},
year = {2024}
}