联邦推理：面向隐私保护的协作式激励模型服务
人工智能
2026-03-05 v2 密码学与安全
机器学习
摘要
联邦推理（Federated Inference, FI）研究如何在不共享数据或模型参数的前提下，使独立训练并拥有私有权益的模型在推理阶段协作。尽管近期工作从安全和分布视角探索了此问题，但缺乏统一的抽象和系统层面的理解。本文将FI定位为一种与联邦学习互补的协作范式，识别其可行性所需的两个基本要求：推理时的隐私保护和通过协作实现有意义的性能提升。我们将FI formalize为受保护的协作计算，分析其核心设计维度，审视当隐私约束、非IID数据和有限可观测性同时作用于推理阶段时所出现的结构性权衡。通过具体实例和实证分析，我们强调了隐私保护推理、ensemble式协作和激励对齐中的常见摩擦点。我们的发现表明，FI exhibit出无法直接从训练时联邦或经典ensemble方法继承的系统层行为。总体而言，本工作提供了关于FI的统一视角，勾勒了实现实用、可扩展且隐私保护的协作推理系统所需克服的开放性挑战。
引用
@article{arxiv.2603.02214,
title = {Federated Inference: Toward Privacy-Preserving Collaborative and Incentivized Model Serving},
author = {Jungwon Seo and Ferhat Ozgur Catak and Chunming Rong and Jaeyeon Jang},
journal= {arXiv preprint arXiv:2603.02214},
year = {2026}
}
备注
19 pages, 6 figures, 10 tables