AdaDefense：用梯度代替以防御联邦学习中的深度泄露
机器学习
2024-10-14 v1 计算机视觉与模式识别
摘要
联邦学习 (Federated Learning, FL) 已成为隐私保护的基石，使能将敏感数据本地化，仅将模型梯度发送到中心服务器。这种策略旨在加强隐私保护，最小化集中数据存储系统所固有的漏洞。尽管该方法具有创新性，但近期实证研究表明，联邦学习在梯度交换方面存在潜在弱点。为此，本研究引入一种新颖且高效的方法，以保护免受梯度泄露，即“AdaDefense”。我们认为，通过使用不同的优化方法可实现模型收敛，建议在中心服务器上使用实际梯度的本地替代品进行全局梯度聚合。该方法不仅有效防止梯度泄露，还确保模型整体性能基本不受影响。深入探讨理论层面，我们探讨梯度如何不慎泄露私人信息，并提出支持我们方法有效性的理论框架。大量实证测试得到流行基准实验的支持，表明该方法保持模型完整性，抵御梯度泄露，标志着我们追求安全高效联邦学习的重要一步。
关键词
引用
@article{arxiv.2410.08734,
title = {Gradients Stand-in for Defending Deep Leakage in Federated Learning},
author = {H. Yi and H. Ren and C. Hu and Y. Li and J. Deng and X. Xie},
journal= {arXiv preprint arXiv:2410.08734},
year = {2024}
}