不共享嵌入向量的用户验证模型联邦学习
机器学习
2021-06-08 v2 密码学与安全
摘要
我们考虑在联邦设置下训练用户验证（UV）模型的问题，其中每个用户只能访问单一类别的数据，且用户嵌入向量不能与服务器或其他用户共享。为解决此问题，我们提出联邦用户验证（FedUV），这是一个用户联合学习一组向量并使其实例嵌入与这些向量的某种秘密线性组合的相关性最大化的框架。我们表明，从纠错码的字码中选择线性组合可让用户协作训练模型而不泄露其嵌入向量。我们给出了基于语音、人脸和手写数据的用户验证实验结果，并表明 FedUV 在不与其他用户或服务器共享嵌入向量的情况下，与现有方法表现相当。
引用
@article{arxiv.2104.08776,
title = {Federated Learning of User Verification Models Without Sharing Embeddings},
author = {Hossein Hosseini and Hyunsin Park and Sungrack Yun and Christos Louizos and Joseph Soriaga and Max Welling},
journal= {arXiv preprint arXiv:2104.08776},
year = {2021}
}