存储受限数据库下信息论安全的联邦子模型学习
信息论
2023-07-13 v1 密码学与安全
网络与互联网体系结构
信号处理
math.IT
摘要
在联邦子模型学习（FSL）中，机器学习模型根据用于训练的不同类型数据被划分为多个子模型。参与训练过程的每个用户仅下载并更新与其本地数据相关的子模型，与经典联邦学习（FL）相比，这显著降低了通信开销。然而，用户所更新子模型的索引以及更新值会泄露用户私有数据的信息。为保障 FSL 中的信息论安全性，模型被存储在多个不串谋的数据库中，用户向每个数据库发送查询与更新，使得关于更新子模型索引或更新值的信息均不被泄露。在本工作中，我们考虑多个不串谋数据库允许具有任意存储约束的实际场景。本工作的目标是为 FSL 开发读写方案与存储机制，以高效利用每个数据库中可用存储空间来存放子模型参数，从而在保障更新子模型索引及更新值信息论安全的前提下使总通信开销最小。作为主要结果，我们考虑异构与同构存储受限数据库两种情况，并针对这两类情形提出了私有读写与存储方案。
引用
@article{arxiv.2307.06323,
title = {Information-Theoretically Private Federated Submodel Learning with Storage Constrained Databases},
author = {Sajani Vithana and Sennur Ulukus},
journal= {arXiv preprint arXiv:2307.06323},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2302.03670