面向灵活隐私保护的联邦学习并行防护框架 ParaAegis
机器学习
2025-09-18 v1 分布式、并行与集群计算
摘要
联邦学习（FL）面临一个关键困境：现有的保护机制如差分隐私（DP）和同态加密（HE）强制执行在模型实用性和计算效率之间进行权衡，这种僵化的trade-off阻碍了实际应用。为此，我们引入ParaAegis，这是一个为提供灵活控制隐私-实用性-效率平衡的并行保护框架。我们的核心创新是一种战略性的模型分区方案。通过对模型中较不关键、低范数部分应用轻量级DP，同时对其余部分采用HE保护，我们构建了一个可调节的系统。分布式投票机制确保对此分区达成共识。理论分析确认了在相同隐私预算下，效率与实用性之间的调整。关键的是，实验结果表明，通过调整超参数，该方法实现了在模型准确率和训练时间之间的灵活优先级。
引用
@article{arxiv.2509.13739,
title = {ParaAegis: Parallel Protection for Flexible Privacy-preserved Federated Learning},
author = {Zihou Wu and Yuecheng Li and Tianchi Liao and Jian Lou and Chuan Chen},
journal= {arXiv preprint arXiv:2509.13739},
year = {2025}
}
备注
8 pages, 1 figure