垂直联邦学习中使用Shapley-CMI与PSI置换的隐私保护特征估值
密码学与安全
2025-12-18 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习是一种新兴的机器学习范式，使多方能够协作训练模型而无需共享原始数据，从而确保数据隐私。在垂直联邦学习中，每方持有相同用户的不同特征，一个关键挑战是在训练任何模型之前评估各方的特征贡献，特别是在尚无模型存在的早期阶段。为此，最近提出了Shapley-CMI方法，这是一种利用条件互信息进行特征估值的免模型信息论方法。然而，其原始表述并未提供能够安全计算所需置换和交集的实用实现。本文提出了一种针对VFL的Shapley-CMI新型隐私保护实现。我们的系统引入了一个隐私集合求交服务器，该服务器执行所有必要的特征置换，并在离散化和加密的ID组之间计算加密的交集大小，而无需交换原始数据。随后，各方使用这些交集结果计算Shapley-CMI值，以评估其特征的边际效用。初步实验验证了所提系统的正确性与隐私性，证明了其在VFL中进行安全高效特征贡献估计的可行性。该方法确保了数据机密性，支持跨多方扩展，并能够在无需共享原始数据或训练模型的情况下实现公平的数据估值。
引用
@article{arxiv.2512.14767,
title = {Privacy-Preserving Feature Valuation in Vertical Federated Learning Using Shapley-CMI and PSI Permutation},
author = {Unai Laskurain and Aitor Aguirre-Ortuzar and Urko Zurutuza},
journal= {arXiv preprint arXiv:2512.14767},
year = {2025}
}
备注
Presented at the 3rd IEEE International Conference on Federated Learning Technologies and Applications (FLTA25), October 2025