基于加法安全多方计算的联邦 QR 分解隐私保护
密码学与安全
2022-10-13 v1 机器学习
摘要
联邦学习（FL）是一种隐私感知的数据挖掘策略，将私有数据保留在所有者机器上从而保持机密。客户端计算本地模型并发送给聚合器，聚合器计算全局模型。在混合 FL 中，本地参数还使用安全聚合进行掩蔽，使得仅有全局聚合统计量以明文形式可用，而非客户端特定的更新。联邦 QR 分解在跨机构（cross-silo）联邦学习背景下的研究尚不充分。在本文中，我们研究了三种 QR 分解算法对于跨机构 FL 的适用性，并提出了一种基于 Gram-Schmidt 算法的隐私感知 QR 分解方案，该方案不会直接泄露原始数据。我们将该算法应用于以联邦方式计算线性回归。
引用
@article{arxiv.2210.06163,
title = {Privacy of federated QR decomposition using additive secure multiparty computation},
author = {Anne Hartebrodt and Richard Röttger},
journal= {arXiv preprint arXiv:2210.06163},
year = {2022}
}
备注
10 pages, 2 figures, 2 tables