纵向联邦学习中用于安全训练的二次功能加密
密码学与安全
2023-06-21 v2 分布式、并行与集群计算
机器学习
摘要
纵向联邦学习(VFL)能够在数据分布于多个希望保护各自数据隐私的参与方时实现机器学习(ML)模型的协作训练。值得注意的是,在VFL中,标签对单一参与方可用,且完整特征集仅当所有参与方数据合并时才形成。最近,Xu等人提出了一种称为FedV的新框架,利用多输入功能加密进行VFL的安全梯度计算。在这项工作中,我们解释了在训练纵向联邦学习的广义线性模型时,如何通过采用二次功能加密来避免Xu等人方案中的部分信息泄露。
引用
@article{arxiv.2305.08358,
title = {Quadratic Functional Encryption for Secure Training in Vertical Federated Learning},
author = {Shuangyi Chen and Anuja Modi and Shweta Agrawal and Ashish Khisti},
journal= {arXiv preprint arXiv:2305.08358},
year = {2023}
}
备注
Accepted to ISIT 2023