面向轻量化联邦学习的分层安全聚合
计算机视觉与模式识别
2026-03-19 v2
摘要
联邦学习（FL）在确保隐私和通信效率方面面临挑战，尤其是在物联网（IoT）和边缘网络等资源受限的环境中。虽然基于符号的方法，如带多数投票的符号随机梯度下降（SIGNSGD-MV），可实现显著的带宽节省，但它们仍然因暴露梯度符号而面临推理攻击。现有的安全聚合技术要么与基于符号的方法不兼容，要么造成沉重的开销。为解决这些限制，我们提出了Hi-SAFE，一个面向基于符号的联邦学习的轻量且密码学安全的聚合框架。我们的核心贡献是基于费马小定理构建高效的多数投票多项式，用于SIGNSGD-MV。这种表述将多数投票表示为有限域上的低次数多项式，实现了安全求值，隐藏中间值仅暴露最终结果。我们进一步引入分层子群策略，确保常数的乘法深度和受用户数目n限制的有界每个用户复杂度。
关键词
引用
@article{arxiv.2511.18886,
title = {MagicWorld: Towards Long-Horizon Stability for Interactive Video World Exploration},
author = {Guangyuan Li and Bo Li and Jinwei Chen and Xiaobin Hu and Lei Zhao and Peng-Tao Jiang},
journal= {arXiv preprint arXiv:2511.18886},
year = {2026}
}