基于全同态加密的联邦学习非IID程度隐私保护量化
密码学与安全
2024-06-17 v1
摘要
联邦学习 (FL) 提供了一种在不共享原始数据的情况下为多个合作方进行机器学习的隐私保护方法。然而，来自不同客户端的数据呈非独立且非相同分布 (non-IID) 的情况，为联邦学习带来了显著挑战，导致准确率急剧下降、效率降低和实施受阻。为此，已提出多种方法，包括聚类和个性化FL框架。然而，迄今为止，尚无对不同客户端数据分布非IID程度的正式量化定义，阻碍了客户端在隐私保护前提下进行比较和获取数据分布概览。本文首次提出一种在联邦环境中定义非IID程度的量化方法，称为基于全同态加密的联邦累积分布函数 (FHE-FCDF)，该方法利用全同态加密加密原语，使客户端能够在确保隐私保护的前提下估计非IID程度。在CIFAR-100非IID数据集上的实验验证了我们方法的有效性。
引用
@article{arxiv.2406.09682,
title = {Privacy-preserving Quantification of Non-IID Degree in Federated Learning},
author = {Yuping Yan and Yizhi Wang and Yingchao Yu and Yaochu Jin},
journal= {arXiv preprint arXiv:2406.09682},
year = {2024}
}
备注
8 pages, 8 figures, FL@FM-IJCAI'24