PREAMBLE: 通过块稀疏向量实现私有高效聚合
密码学与安全
2025-07-15 v2 数据结构与算法
机器学习
摘要
我们重新审视了在双服务器系统（如 Prio）中安全聚合高维向量的问题。这类系统通常用于聚合诸如联邦学习中的梯度等向量，其中聚合结果本身通过加噪来确保差分隐私。现有方法需要通信量随维度扩展，因此限制了在此设置下可高效处理的向量维度。我们提出 PREAMBLE：Private Efficient Aggregation Mechanism via Block-sparse Euclidean Vectors（通过块稀疏欧几里得向量实现私有高效聚合机制）。PREAMBLE 基于分布式点函数（DPF）的扩展，实现了对块稀疏向量的通信与计算高效聚合——块稀疏向量是非零条目集中在少量连续坐标簇中的稀疏向量。我们证明这些块稀疏 DPF 可以与随机采样及通过采样结果实现的隐私增强相结合，从而以通信成本的一小部分实现向量聚合的渐近最优隐私-效用权衡。当与近期数值隐私记账的最新进展相结合时，我们的方法与 Prio 中使用的高斯机制相比，引入的噪声方差开销可忽略不计。
引用
@article{arxiv.2503.11897,
title = {PREAMBLE: Private and Efficient Aggregation via Block Sparse Vectors},
author = {Hilal Asi and Vitaly Feldman and Hannah Keller and Guy N. Rothblum and Kunal Talwar},
journal= {arXiv preprint arXiv:2503.11897},
year = {2025}
}