LIA：基于惰性影响近似的联邦学习隐私保护数据质量评估
密码学与安全
2024-11-27 v4 人工智能
机器学习
摘要
在联邦学习中，处理低质量、损坏或恶意数据至关重要。然而，由于隐私问题，传统的数据估值方法并不适用。为此，我们提出了一种简单而有效的方法，利用一种称为“惰性影响”的新影响近似来在保护隐私的同时过滤和评分数据。为此，每个参与者使用自己的数据来估计另一个参与者批次的影响，并将差分隐私混淆分数发送给中心协调者。我们的方法已在各种模拟和真实世界设置中成功过滤出有偏和损坏的数据，在保持 的强差分隐私保证的同时，实现了超过 （有时高达 ）的召回率。
引用
@article{arxiv.2205.11518,
title = {LIA: Privacy-Preserving Data Quality Evaluation in Federated Learning Using a Lazy Influence Approximation},
author = {Ljubomir Rokvic and Panayiotis Danassis and Sai Praneeth Karimireddy and Boi Faltings},
journal= {arXiv preprint arXiv:2205.11518},
year = {2024}
}
备注
Proceedings of the 2024 IEEE International Conference on Big Data (IEEE BigData 2024). A preliminary version of this work received the Best Paper Award at the International Workshop on Trustworthy Federated Learning at IJCAI (FL-IJCAI) 2023