隐私保护的梯度基于公平联邦学习
机器学习
2024-07-22 v1 密码学与安全
系统与控制
系统与控制
摘要
联邦学习 (FL) 方案允许多个参与者在无需直接共享底层数据的情况下协同训练神经网络。然而，在早期方案中，所有参与者最终都会获得相同的模型。此外，聚合通常由第三方执行，该第三方获取组合梯度或权重，这可能会透露模型。这些缺点凸显了对公平且隐私保护 FL 方案的需求。这里，协同公平性要求 individual model quality 取决于 individual data contribution。隐私要求是针对任何 Outsourced to 第三方的数据。现在，已经存在一些方法旨在实现公平或隐私保护 FL，以及少数工作同时处理这两个特征。在我们的论文中，我们建立在这些开创性工作基础上，提出一种新的、公平且隐私保护的 FL 方案。我们的 method 主要依赖同态加密，仅使用 local 梯度。这在与最新方法相比提高了可用性，从而为控制应用开辟了门户。
引用
@article{arxiv.2407.13881,
title = {Privacy-preserving gradient-based fair federated learning},
author = {Janis Adamek and Moritz Schulze Darup},
journal= {arXiv preprint arXiv:2407.13881},
year = {2024}
}