融合同态加密与合成数据在联邦学习中的隐私与学习质量提升
机器学习
2026-03-04 v1
摘要
联邦学习（FL）通过不共享敏感客户端数据来实现机器学习模型的协同训练，成为隐私关键应用的基石。然而，FL面临两个挑战：在保持资源消耗低的同时，确保学习质量和可靠隐私保护，尤其是当使用计算密集型技术（如同态加密（HE））时。本文通过将其与合成数据生成和交错策略集成来增强使用HE保护隐私的FL过程。具体而言，我们提出的解决方案称为交替联邦学习（Alt-FL），包括在本地使用真实数据进行训练（真实轮）和使用合成数据进行训练（合成轮）之间的交替，分别传输加密和明文模型参数。我们的方法通过增强合成数据集提高学习质量（例如模型准确率），通过HE保留客户端隐私，通过交错策略保持可管理的加密和解密成本。我们对抗数据泄露攻击（如DLG攻击）的评估表明，我们的方法提供了稳健的隐私保护。此外，Alt-FL相对于Selective HE提供了13.4%更高的模型准确率，并将HE相关成本降低最高可达48%。
引用
@article{arxiv.2603.02969,
title = {Integrating Homomorphic Encryption and Synthetic Data in FL for Privacy and Learning Quality},
author = {Yenan Wang and Carla Fabiana Chiasserini and Elad Michael Schiller},
journal= {arXiv preprint arXiv:2603.02969},
year = {2026}
}