论点对点去中心化机器学习的（不）安全性
密码学与安全
2023-11-13 v3 机器学习
摘要
在这项工作中，我们对去中心化学习进行了首次深入的隐私分析——这是一个旨在解决联邦学习主要局限性的协作机器学习框架。我们针对被动和主动的去中心化对手引入了一套新颖的攻击方法。我们证明，与去中心化学习的提出者所声称的相反，去中心化学习相比联邦学习并没有提供任何安全优势。相反，它增加了攻击面，使得系统中的任何用户都能够执行诸如梯度反演等隐私攻击，甚至完全控制诚实用户的本地模型。我们还表明，鉴于当前最先进的保护措施，去中心化学习的隐私保护配置需要全连接网络，从而失去了相对于联邦学习设置的任何实际优势，因此完全违背了去中心化方法的目标。
引用
@article{arxiv.2205.08443,
title = {On the (In)security of Peer-to-Peer Decentralized Machine Learning},
author = {Dario Pasquini and Mathilde Raynal and Carmela Troncoso},
journal= {arXiv preprint arXiv:2205.08443},
year = {2023}
}
备注
IEEE S&P'23 (Previous title: "On the Privacy of Decentralized Machine Learning") + Fixed error in neighbors-discovery trick