FedPass：基于自适应混淆的隐私保护纵向联邦深度学习
分布式、并行与集群计算
2023-02-01 v2 密码学与安全
机器学习
摘要
纵向联邦学习（VFL）允许拥有带标签特征的主动方利用来自被动方的辅助特征来提升模型性能。关于 VFL 在训练与推理阶段中私有特征与标签泄露的担忧已引起广泛研究关注。本文提出一种称为 FedPass 的通用隐私保护纵向联邦深度学习框架，其利用自适应混淆同时保护特征与标签。关于私有特征与标签的强隐私保护能力在理论上得到证明（定理 1 与定理 2）。基于不同数据集与网络架构的大量实验结果也证实了 FedPass 在隐私与模型性能间近乎最优的权衡方面相对于现有方法的优越性。
引用
@article{arxiv.2301.12623,
title = {FedPass: Privacy-Preserving Vertical Federated Deep Learning with Adaptive Obfuscation},
author = {Hanlin Gu and Jiahuan Luo and Yan Kang and Lixin Fan and Qiang Yang},
journal= {arXiv preprint arXiv:2301.12623},
year = {2023}
}
备注
6 figures, 9 tables