FLVoogd：鲁棒且隐私保护的联邦学习
密码学与安全
2022-07-04 v1 人工智能
机器学习
摘要
在这项工作中，我们提出 FLVoogd，一种更新的联邦学习方法，其中服务器与客户端协作消除拜占庭攻击，同时保护隐私。具体而言，服务器使用自动的带噪声应用的基于密度的空间聚类（DBSCAN）结合 S2PC 对良性多数进行聚类，而无需获取敏感个人信息。同时，客户端构建双模型并执行基于测试的距离控制，以将其本地模型向全局模型调整从而实现个性化。我们的框架是自动且自适应的，服务器/客户端在训练期间无需调参。此外，我们的框架利用了安全多方计算（SMPC）操作，包括乘法、加法和比较，其中不需要像除法和平方根这样的昂贵操作。评估在一些来自图像分类领域的常规数据集上进行。结果表明，FLVoogd 在大多数场景下能有效拒绝恶意上传；同时，它避免了来自服务器端的数据泄露。
引用
@article{arxiv.2207.00428,
title = {FLVoogd: Robust And Privacy Preserving Federated Learning},
author = {Yuhang Tian and Rui Wang and Yanqi Qiao and Emmanouil Panaousis and Kaitai Liang},
journal= {arXiv preprint arXiv:2207.00428},
year = {2022}
}