FedTracker：为联邦学习模型提供所有权验证与可追溯性
密码学与安全
2024-03-05 v3 人工智能
机器学习
摘要
联邦学习 (FL) 是一种分布式机器学习范式，允许多个客户端在不共享本地数据的情况下协作训练全局模型。然而，FL 需要将模型暴露给各类参与者。这带来了恶意客户端未经授权分发或转售模型的风险，损害了 FL 群体的知识产权。为遏制此类不当行为，建立一种验证模型所有权并追溯其来源至 FL 参与者中泄露者的机制至关重要。本文提出 FedTracker，这是首个同时提供所有权验证与可追溯性的 FL 模型保护框架。FedTracker 采用由全局水印机制和本地指纹机制组成的双层保护方案。前者认证全局模型的所有权，后者识别模型源自哪个客户端。FedTracker 利用持续学习 (CL) 原理以保留 FL 模型在原始任务和水印任务上效用的方式嵌入水印。FedTracker 还设计了一种新度量以更好区分不同指纹。实验结果表明，FedTracker 在所有权验证、可追溯性方面有效，并对各种水印移除攻击保持良好的保真度与鲁棒性。
引用
@article{arxiv.2211.07160,
title = {FedTracker: Furnishing Ownership Verification and Traceability for Federated Learning Model},
author = {Shuo Shao and Wenyuan Yang and Hanlin Gu and Zhan Qin and Lixin Fan and Qiang Yang and Kui Ren},
journal= {arXiv preprint arXiv:2211.07160},
year = {2024}
}