无噪声的隐私保护去中心化学习

去中心化学习（DL）无需服务器即可实现协作学习，且训练数据不会离开用户设备。然而，DL 中共享的模型仍可用于推断训练数据。差分隐私和安全聚合等传统防御方法在有效保护 DL 中的用户隐私方面存在不足，要么牺牲模型效用，要么降低效率。我们提出了 Shatter，一种新型 DL 方法，节点在其中创建虚拟节点（VN）以代表自身传播其完整模型的分块。这通过以下方式增强了隐私性：防止攻击者从其他节点收集完整模型；隐藏产生给定模型分块的原始节点身份。我们在理论上证明了 Shatter 的收敛性，并提供了形式化分析，证明了与在节点间交换完整模型相比，Shatter 如何降低攻击的有效性。我们使用现有的 DL 算法、异构数据集以及针对三种标准隐私攻击，评估了 Shatter 的收敛性和抗攻击能力。评估结果表明，当每个节点运行 16 个 VN 时，Shatter 不仅使这些隐私攻击变得不可行，而且与标准 DL 相比对模型效用产生了积极影响。总而言之，Shatter 在保持模型效用和效率的同时增强了 DL 的隐私性。