面向可验证公平性的隐私保护联邦学习
密码学与安全
2026-02-16 v2 计算与语言
计算机视觉与模式识别
摘要
联邦学习使跨分布式机构在不集中化敏感数据的情况下进行协作模型训练；然而，在保持隐私的同时确保异构数据分布下的算法公平性始终未能解决。本文引入CryptoFair-FL，一种新型密码学框架，为联邦学习系统提供首个在形式安全定义下的可验证公平性保证。该方法结合加性同态加密与安全多方计算，使能够在不透露受保护属性分布或individual predictions的情况下，对人口统计公平性和平等机会指标进行隐私保护验证。一种新型批量验证协议将计算复杂度从BigO(n^2)降低到BigO(n log n)，同时维持(dparam, deltap)-差分隐私，其中dparam=0.5，deltap=10^{-6}。理论分析建立了公平性验证隐私成本的信息论下界，表明所提出的协议在隐私-公平性权衡方面实现了接近最优。全面的实验在四个基准数据集（MIMIC-IV 医疗记录、Adult收入、CelebA以及一个新构建的FedFair-100基准）上进行，表明CryptoFair-FL将公平性违规从0.231降低到0.031人口统计公平性差异，同时仅增加2.3倍的计算开销。该框架成功抵御属性推断攻击，在所有测试配置下保持对抗成功概率低于0.05。这些结果为在需要隐私保护和算法问责的受监管行业部署公平感知的联邦学习奠定了实用路径。
引用
@article{arxiv.2601.12447,
title = {Privacy-Preserving Federated Learning with Verifiable Fairness Guarantees},
author = {Mohammed Himayath Ali and Mohammed Aqib Abdullah and Syed Muneer Hussain and Mohammed Mudassir Uddin and Shahnawaz Alam},
journal= {arXiv preprint arXiv:2601.12447},
year = {2026}
}