基于私有集合并集的私有联邦子模型学习

我们考虑联邦子模型学习（FSL）问题，并提出一种客户端能信息论私有地更新中心模型的方法。我们的方法基于私有集合并集（PSU），其进一步基于多消息对称私有信息检索（MM-SPIR）。服务器拥有两个非合谋数据库，以复制方式保存模型。依我们的方案，服务器除得知客户端更新的子模型子集外学不到更多：服务器不知晓哪个客户端更新了哪些子模型，或任何关于本地客户端数据的信息。相较于 Jia-Jafar 与 Vithana-Ulukus 的最先进私有 FSL 方案，我们的方案不需要在数据库处对模型进行含噪存储；且相较于 Zhao-Sun 的安全聚合方案，我们的方案不需要预分发客户端公共随机性，而是经由随机 SPIR 与一次性密码本在客户端侧生成所需公共随机性。协议始于公共随机性生成（CRG）阶段，两数据库利用 RSPIR 与一次性密码本在客户端侧建立公共随机性（此阶段称 FSL-CRG）。接着，客户端利用已建立的客户端侧公共随机性，使服务器私有地确定客户端集体待更新子模型索引的并集（此阶段称 FSL-PSU）。然后，两数据库将该集合并集中的子模型当前版本广播给客户端。客户端基于本地训练数据更新子模型。最后，客户端使用 FSL-PSU 的变体将更新私有写回数据库（此阶段称 FSL-write）。我们提出的私有 FSL 方案对客户端掉线、客户端迟达及数据库掉线均具鲁棒性。