HybridAlpha：一种高效的隐私保护联邦学习方法
密码学与安全
2019-12-13 v1 机器学习
摘要
联邦学习已成为一种有前景的协作式隐私保护学习方法。联邦学习过程中的参与者通过交换模型参数而非其可能希望保密的实际训练数据来协作训练模型。然而，参数交互及由此产生的模型仍可能泄露所用训练数据的信息。为解决这些隐私问题，人们提出了若干基于差分隐私和安全多方计算（SMC）等方法。它们往往带来较大的通信开销和较慢的训练时间。本文提出 HybridAlpha，一种采用基于函数加密的 SMC 协议的隐私保护联邦学习方法。该协议简单、高效且对参与者掉线具有鲁棒性。我们使用在 MNIST 数据集上训练 CNN 的联邦学习过程，针对训练时间和交换的数据量对方法进行了评估。与现有基于密码学的 SMC 方案相比，HybridAlpha 在提供相同模型性能和隐私保证的同时，平均可减少 68% 的训练时间和 92% 的数据传输量。
引用
@article{arxiv.1912.05897,
title = {HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning},
author = {Runhua Xu and Nathalie Baracaldo and Yi Zhou and Ali Anwar and Heiko Ludwig},
journal= {arXiv preprint arXiv:1912.05897},
year = {2019}
}
备注
12 pages, AISec 2019