具有可认证客户端移除的隐私保护联邦遗忘
密码学与安全
2024-04-16 v1
摘要
近年来，联邦遗忘（FU）因能解决在联邦学习（FL）系统中移除客户端对全局模型影响的问题而受到关注，从而确保了“被遗忘权”（RTBF）。最先进的遗忘方法使用来自 FL 客户端的历史数据，例如梯度或本地训练的模型。然而，研究揭示了该设置下存在严重的信息泄漏，有可能从用户上传的信息中重建其本地数据。针对这一问题，我们提出了 Starfish，这是一种使用两方计算（2PC）技术和在两个非共谋服务器之间共享客户端历史数据的隐私保护联邦遗忘方案。Starfish 建立在现有的 FU 方法之上，以确保遗忘过程中的隐私。为了提高隐私保护 FU 评估的效率，我们建议为某些 FU 算法操作提供对 2PC 友好的替代方案。我们还实施了降低与 2PC 操作相关的成本并减少累积近似误差的策略。此外，我们为通过 Starfish 实现的遗忘全局模型与从头开始重新训练的全局模型之间的差异建立了理论界限，以实现可认证的客户端移除。我们的理论和实验分析表明，Starfish 以合理的效率实现了有效的遗忘，同时维持了 FL 系统的隐私和安全性。
引用
@article{arxiv.2404.09724,
title = {Privacy-Preserving Federated Unlearning with Certified Client Removal},
author = {Ziyao Liu and Huanyi Ye and Yu Jiang and Jiyuan Shen and Jiale Guo and Ivan Tjuawinata and Kwok-Yan Lam},
journal= {arXiv preprint arXiv:2404.09724},
year = {2024}
}