基于数据蒸馏的隐私保护型联邦学习
机器学习
2024-11-05 v3
摘要
联邦学习允许用户在不共享原始数据的情况下，以高精度训练模型。然而，在训练过程中，用户对所共享知识失去控制权，这会导致严重的数据隐私问题。我们认为，用户只愿意且需要分享与训练任务相关的essential knowledge，以获得高精度的联邦学习模型。然而，现有的研究无法帮助用户在联邦学习训练过程中根据用户意图最小化所共享的知识。本工作提出了FLiP，旨在将最小特权原则引入联邦学习训练。FLiP的关键设计是通过局部-全局数据蒸馏设计对训练数据进行精细的信息降级。我们通过属性推断和成员推断攻击来衡量隐私性能。实验结果表明，FLiP在模型精度和隐私保护之间取得了良好平衡。
引用
@article{arxiv.2410.19548,
title = {Privacy-Preserving Federated Learning via Dataset Distillation},
author = {ShiMao Xu and Xiaopeng Ke and Xing Su and Shucheng Li and Hao Wu and Sheng Zhong and Fengyuan Xu},
journal= {arXiv preprint arXiv:2410.19548},
year = {2024}
}