面向加密损失图像重建的基于隐私保护联邦学习的残差稀疏空间网络（PPFL-RDSN）
机器学习
2025-10-29 v3 密码学与安全
摘要
使用残差稀疏空间网络（RDSN）从低分辨率输入重建高质量图像至关重要且具有挑战性。在中心化训练环境中，涉及多个协作方的参与，数据泄露和推理攻击以及高计算和通信成本等隐私风险以及计算成本问题更为突出。我们提出一种 novel 的 Privacy-Preserving Federated Learning-based RDSN（PPFL-RDSN）框架，专为加密损失图像重建而设计。PPFL-RDSN 集成了联邦学习（FL）、局部差分隐私和稳健模型水印技术，确保数据在本地客户端/设备上保持安全，保护隐私敏感信息，同时在不透露底层数据的情况下维持模型真实性。经验评估表明，PPFL-RDSN 在保持与最先进集中方法相当性能的同时，减少了计算负担，有效缓解了安全和隐私漏洞，成为面向安全隐私保护协作计算机视觉应用的实用解决方案。
引用
@article{arxiv.2507.00230,
title = {PPFL-RDSN: Privacy-Preserving Federated Learning-based Residual Dense Spatial Networks for Encrypted Lossy Image Reconstruction},
author = {Peilin He and James Joshi},
journal= {arXiv preprint arXiv:2507.00230},
year = {2025}
}
备注
Accepted to be published on the 7th IEEE International Conference on Trust, Privacy and Security in Intelligent Systems, and Applications, Nov. 11-14, 2025, Pittsburgh, PA, USA. https://www.sis.pitt.edu/lersais/conference/tps/2025/