联邦学习框架下的隐私与安全保护
网络与互联网体系结构
2020-02-25 v2
摘要
受无线用户终端（UE）计算能力不断提升以及共享隐私数据担忧日益加剧的推动，一种新机器学习（ML）范式应运而生，即联邦学习（FL）。具体而言，FL 允许在 UE 处提供数据与在中央单元处聚合 ML 模型相解耦。通过在本地训练模型，FL 能够避免来自 UE 的数据泄露，从而在一定程度上保护隐私与安全。然而，即便原始数据未从 UE 披露，个体的隐私信息仍可被 FL 架构中近期发现的若干攻击所提取。本工作中，我们分析 FL 中的隐私与安全问题，并提出在设计 FL 系统时保护隐私与安全所面临的若干挑战。此外，我们提供大量仿真结果以阐明所讨论的问题及可能的解决方案。
引用
@article{arxiv.1909.06512,
title = {On Safeguarding Privacy and Security in the Framework of Federated Learning},
author = {Chuan Ma and Jun Li and Ming Ding and Howard Hao Yang and Feng Shu and Tony Q. S. Quek and H. Vincent Poor},
journal= {arXiv preprint arXiv:1909.06512},
year = {2020}
}
备注
This paper has been accepted by IEEE Network Magazine