时变通信图上的隐私保护去中心化联邦学习
密码学与安全
2022-10-04 v1 机器学习
多智能体系统
摘要
如何使一组学习者在完全去中心化（点对点、无协调者）的方式下提供隐私保护联邦学习，是一个开放问题。我们提出了首个基于共识的隐私保护算法，使分布式学习者在高移动性环境中实现去中心化全局模型聚合，其中学习者之间的通信图可能在连续的模型聚合轮次之间发生变化。具体而言，在每一轮全局模型聚合中，应用 Metropolis-Hastings 方法基于当前通信拓扑更新加权邻接矩阵。此外，集成了 Shamir 秘密共享方案以促进全局模型达成共识时的隐私保护。本文建立了所提算法的正确性与隐私性质。计算效率通过构建在带有真实世界数据集的联邦学习框架上的仿真进行了评估。
引用
@article{arxiv.2210.00325,
title = {Privacy-preserving Decentralized Federated Learning over Time-varying Communication Graph},
author = {Yang Lu and Zhengxin Yu and Neeraj Suri},
journal= {arXiv preprint arXiv:2210.00325},
year = {2022}
}