异步联邦学习的隐私保护模型聚合
密码学与安全
2023-05-30 v1
摘要
我们提出了一种用于异步联邦学习的新型隐私保护模型聚合方法，称为PPA-AFL，它去除了联邦学习中局部模型更新同步聚合的限制，同时实现对服务器保护局部模型更新。在PPA-AFL中，客户端可主动决定何时参与训练过程，并在更新可用时将局部模型更新发送至服务器。因此，无需与其他客户端保持同步。为保障客户端更新并促成局部模型聚合，我们采用Paillier加密对局部更新加密并支持同态聚合。此外，利用秘密共享实现解密密钥的共享并促进隐私保护异步聚合。因此，服务器在异步聚合生成全局模型时仍无法获取关于局部更新的任何信息。我们通过全面的复杂度分析与在原型实现上的大量实验展示了所提PPA-AFL框架的有效性，凸显了其在隐私敏感异步联邦学习场景中实际采用的潜力。
引用
@article{arxiv.2305.17521,
title = {Privacy-Preserving Model Aggregation for Asynchronous Federated Learning},
author = {Jianxiang Zhao and Xiangman Li and Jianbing Ni},
journal= {arXiv preprint arXiv:2305.17521},
year = {2023}
}