基于同态对抗网络的隐私保护联邦学习
密码学与安全
2025-09-09 v3 人工智能
机器学习
摘要
隐私保护联邦学习（PPFL）旨在保持数据隐私的同时为多个客户端训练全局模型。然而，当前的 PPFL 协议存在一个或多个不足之处：准确度显著下降、需要共享密钥密钥，以及在密钥生成或解密过程中需要合作。在缓解措施方面，我们开发了第一个利用神经网络实现 PPFL 的协议，并针对 PPFL 的需求开发了可聚合混合加密方案。我们将这些网络称为同态对抗网络（HANs），它们表明神经网络能够执行类似多密钥同态加密（MK-HE）的任务，同时解决密钥分发和协作解密的问题。我们的实验表明，HANs 对隐私攻击具有鲁棒性。与非私有联邦学习相比，在多个数据集上进行的实验显示，HANs 仅产生最多 1.35% 的准确度损失。相对于传统的 MK-HE 方法，HANs 在加密聚合速度上提高了 6,075 倍，而通信开销增加了 29.2 倍。
引用
@article{arxiv.2412.01650,
title = {Privacy-Preserving Federated Learning via Homomorphic Adversarial Networks},
author = {Wenhan Dong and Chao Lin and Xinlei He and Shengmin Xu and Xinyi Huang},
journal= {arXiv preprint arXiv:2412.01650},
year = {2025}
}
备注
Accepted by KSEM 2025 (This is the extended version)