P4L：面向无基础设施场景的隐私保护点对点学习
机器学习
2023-02-28 v1 密码学与安全
摘要
分布式（或联邦）学习使用户能够在自己的设备上训练机器学习模型，同时通常仅以差分隐私方式（存在效用损失）共享模型梯度。尽管这种策略比传统的集中式方法提供更好的隐私保障，但它要求用户盲目信任集中式基础设施，而随着用户数量增加，该基础设施也可能成为瓶颈。在本文中，我们设计并实现 P4L：一个隐私保护点对点学习系统，使用户能够参与异步、协作的学习方案，而无需任何基础设施或依赖差分隐私。我们的设计使用强密码学原语来保持共享梯度的机密性和效用，并采用一组点对点机制来实现容错、用户动态进出、邻近通信与跨设备通信。在三种真实数据集上针对不同网络设置和机器学习场景的广泛仿真表明，P4L 提供与基线相竞争的性能，同时能抵御不同的投毒攻击。我们实现了 P4L，实验结果表明性能和功耗开销极小（放电量小于 3mAh）。
引用
@article{arxiv.2302.13438,
title = {P4L: Privacy Preserving Peer-to-Peer Learning for Infrastructureless Setups},
author = {Ioannis Arapakis and Panagiotis Papadopoulos and Kleomenis Katevas and Diego Perino},
journal= {arXiv preprint arXiv:2302.13438},
year = {2023}
}