区分器驱动的拜占庭弹性联邦学习的完美隐私
机器学习
2025-06-17 v1 分布式、并行与集群计算
信息论
math.IT
摘要
联邦学习（FL）在大规模机器学习中展现出巨大前景，但引入了新的隐私和安全挑战。我们提出 ByITFL 和 LoByITFL，两个新颖的 FL 方案，在保持用户数据对窃听者隐私的同时增强对拜占庭用户的弹性。为确保隐私和拜占庭弹性，我们的方案基于一个可供聚合器使用的小型代表性数据集，以及设计一个区分器函数以消除 corrupt 用户的贡献。ByITFL 采用拉格朗日编码计算和重随机化，使其成为首个具有完美信息论（IT）隐私的拜占庭弹性 FL 方案，但代价是显著的通信开销。LoByITFL 则在显著降低通信成本的同时实现拜占庭弹性和 IT 隐私，但需要在训练前的一次性初始化阶段使用可信第三方。我们提供了隐私和拜占庭弹性的理论保证，以及收敛性保证和实验结果来验证我们的发现。
引用
@article{arxiv.2506.13561,
title = {Perfect Privacy for Discriminator-Based Byzantine-Resilient Federated Learning},
author = {Yue Xia and Christoph Hofmeister and Maximilian Egger and Rawad Bitar},
journal= {arXiv preprint arXiv:2506.13561},
year = {2025}
}