基于自适应特征嵌入的灵活差分隐私垂直联邦学习
密码学与安全
2023-08-07 v1 人工智能
机器学习
摘要
垂直联邦学习（VFL）的出现引发了对隐私保护不完善问题的担忧，因为共享的特征嵌入可能在隐私攻击下泄露敏感信息。本文研究了在差分隐私（DP）下 VFL 的数据隐私与任务效用目标之间的精细平衡。为解决现有方法的通用性问题，本文提出一种灵活且通用的方案，将两目标解耦并依次处理。具体而言，我们首先通过对共享特征嵌入施加范数裁剪获得严格的隐私保证，该保证适用于多种数据集与模型。随后，我们证明可在不破坏既定 DP 机制的前提下，通过以顾及精度的方式对特征嵌入的尺度与分布进行自适应调整来优化任务效用。我们将上述发现具体化为所提出的 VFL-AFE 框架，大量实验表明该框架能有效抵御隐私攻击，并具备保持良好任务效用的能力。
引用
@article{arxiv.2308.02362,
title = {Flexible Differentially Private Vertical Federated Learning with Adaptive Feature Embeddings},
author = {Yuxi Mi and Hongquan Liu and Yewei Xia and Yiheng Sun and Jihong Guan and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2308.02362},
year = {2023}
}