Oracle 辅助 MPC 框架下的隐私保护加权联邦学习
密码学与安全
2020-04-09 v2
摘要
本文研究 oracle 辅助多方计算（MPC）框架下的隐私保护加权联邦学习。本文贡献主要包括以下三方面：第一，受 McMahan 等人开创性论文启发，引入并形式化了称为加权联邦学习（wFL）的新概念。本文形式化的加权联邦学习概念不同于 McMahan 等人论文中的表述，因为在我们的模型中加法与乘法操作均在密文上执行，而在 McMahan 等人的模型中这些操作在明文上执行。第二，通过解耦联邦学习系统安全性与底层多方计算安全性，形式化了用于计算加权联邦学习的 oracle 辅助 MPC 方案。我们的解耦表述可使机器学习开发者从最先进的安全工具集中选择最佳安全实践；第三，给出并分析了加权联邦学习问题的具体方案。在底层乘法算法对诚实但好奇的敌手安全的前提下，我们实现的安全性由安全组合定理保证。
关键词
引用
@article{arxiv.2003.07630,
title = {Privacy-preserving Weighted Federated Learning within Oracle-Aided MPC Framework},
author = {Huafei Zhu and Zengxiang Li and Mervyn Cheah and Rick Siow Mong Goh},
journal= {arXiv preprint arXiv:2003.07630},
year = {2020}
}