FedServing：基于激励机制的联邦预测服务框架
密码学与安全
2020-12-22 v1
摘要
数据持有者，如移动应用、医院和银行，能够训练机器学习（ML）模型并享受许多智能服务。为使更多缺乏数据和模型的个体受益，需要一种便捷方法来启用来自不同来源的已训练模型进行预测服务，但考虑到三个问题，它尚未真正兴起：（i）激励预测真实性；（ii）提升预测准确性；（iii）保护模型隐私。我们设计了 FedServing，一个联邦预测服务框架，实现了这三个目标。首先，我们基于贝叶斯博弈论定制了一种激励机制，确保加入的提供方在贝叶斯纳什均衡下提供真实（非无意义）的预测。其次，与激励机制协同工作，我们采用真值发现算法聚合真实但可能不准确的预测以提升预测准确性。第三，提供方可在本地部署其模型，其预测在 TEE 内安全聚合。引人注目的是，我们的设计支持流行的预测格式，包括 top-1 标签、排序标签和后验概率。此外，区块链作为补充组件被用来强制交换公平性。通过进行大量实验，我们验证了设计的预期特性。我们还实证表明 FedServing 降低了某种成员推断攻击的风险。
引用
@article{arxiv.2012.10566,
title = {FedServing: A Federated Prediction Serving Framework Based on Incentive Mechanism},
author = {Jiasi Weng and Jian Weng and Hongwei Huang and Chengjun Cai and Cong Wang},
journal= {arXiv preprint arXiv:2012.10566},
year = {2020}
}