面向通用分布式学习的隐私感知 Berrut 近似编码计算
机器学习
2025-05-13 v1 密码学与安全
分布式、并行与集群计算
信息论
math.IT
摘要
编码计算是联邦学习中可用于隐私保护的技术之一。然而，大多数用于编码计算的构造仅在计算涉及精确计算的假设下工作，通常局限于特殊函数类，并要求输入被量化。本文考虑将私有 Berrut 近似编码计算（PBACC）作为为联邦学习添加强而非完美隐私的通用解决方案。我们推导了针对中心化聚合、带中心化数据的安全分布式训练以及带去中心化数据的安全去中心化训练的新型适配 PBACC 算法，从而大幅扩大了该方法的应用范围以及现有用于这些范式的隐私保护工具。特别地，PBACC 可用于多种模型的去中心化联邦学习中实现可靠的隐私保障。我们的数值结果表明，不同学习模型（卷积神经网络、变分自编码器和 Cox 回归）的可实现质量几乎不受这些新计算方案的影响；此外，隐私泄露可严格限制在每位参与者不到一比特的范围内。此外，编码和解码过程的计算成本仅取决于数据的去中心化程度。
引用
@article{arxiv.2505.06759,
title = {Privacy-aware Berrut Approximated Coded Computing applied to general distributed learning},
author = {Xavier Martínez-Luaña and Manuel Fernández-Veiga and Rebeca P. Díaz-Redondo and Ana Fernández-Vilas},
journal= {arXiv preprint arXiv:2505.06759},
year = {2025}
}