FedPoP：联邦学习遇见参与证明

Devriş İşler; Elina van Kempen; Seoyeon Hwang; Nikolaos Laoutaris

FedPoP：联邦学习遇见参与证明

密码学与安全 2025-11-12 v1 人工智能机器学习

作者: Devriş İşler , Elina van Kempen , Seoyeon Hwang , Nikolaos Laoutaris

摘要

联邦学习（Federated Learning，FL）提供了隐私保护的分布式机器学习方法，使客户端能够在不透露本地数据的情况下为全局模型做出贡献。随着模型日益成为可货币化的数字资产，证明其训练过程中参与行为的能力变得对于建立所有权至关重要。本文通过引入FedPoP—a 一种新型联邦学习框架，来解决这一新兴需求。该框架允许在不泄露客户端匿名性和隐私信息的情况下，提供不可链接的参与证明，且无需进行大量计算或公共账本。FedPoP旨在无缝集成到现有的安全聚合协议中，以确保与实际联邦学习部署的兼容性。我们提供了一个概念验证实现，并在真实客户端掉线情形下的实证评估。在我们的原型系统中，FedPoP在安全聚合的联邦学习每轮中引入0.97秒的开销，使客户端在0.0612秒内即可证明其对由第三方持有的模型的参与/贡献。这些结果表明，FedPoP在需要可审计参与且不牺牲隐私性的实际部署场景中是实用的。

关键词

联邦学习参与证明隐私保护安全聚合客户端匿名性

引用

@article{arxiv.2511.08207,
  title  = {FedPoP: Federated Learning Meets Proof of Participation},
  author = {Devriş İşler and Elina van Kempen and Seoyeon Hwang and Nikolaos Laoutaris},
  journal= {arXiv preprint arXiv:2511.08207},
  year   = {2025}
}

备注

This version is currently under review

FedPoP：联邦学习遇见参与证明

摘要

关键词

引用

备注

相关论文