用户认证模型的联邦学习
机器学习
2020-07-10 v1 机器学习
摘要
基于机器学习的用户认证模型已广泛应用于智能设备。UA 模型被训练将不同用户的输入数据映射到高度可分的嵌入向量，随后在测试时用于接受或拒绝新输入。训练 UA 模型需要直接访问用户的原始输入和嵌入向量，这两者都是隐私敏感信息。在本文中，我们提出了联邦用户认证，一个用于隐私保护训练 UA 模型的框架。FedUA 采用联邦学习框架，使一组用户能够在不共享原始输入的情况下联合训练模型。它还允许用户将其嵌入生成为随机二值向量，因此，与由服务器构建分散嵌入的现有方法不同，嵌入向量也保持私密。我们表明我们的方法保护隐私、随用户数量可扩展，并允许在不改变输出层的情况下将新用户添加到训练中。我们在 VoxCeleb 数据集上关于说话人验证的实验结果表明，我们的方法在非常高的真阳性率下能够可靠地拒绝未见用户的数据。
引用
@article{arxiv.2007.04618,
title = {Federated Learning of User Authentication Models},
author = {Hossein Hosseini and Sungrack Yun and Hyunsin Park and Christos Louizos and Joseph Soriaga and Max Welling},
journal= {arXiv preprint arXiv:2007.04618},
year = {2020}
}