基于对比性联邦学习中随机客户端选择的梯度攻击防御
机器学习
2025-05-19 v1 密码学与安全
分布式、并行与集群计算
摘要
垂直联邦学习（VFL）通过在多个方之间实现隐私保护的模型训练， revolutionized了协作机器学习。然而，它在中间计算共享过程中仍然 vulnerable to information leakage。虽然对比性联邦学习（CFL）通过表征学习旨在缓解这些隐私问题，但仍面临梯度攻击的挑战。本文对CFL环境中的梯度攻击进行全面实验分析，并评估随机客户端选择作为防御策略。通过大量实验，我们展示，随机客户端选择在CFL网络中对抗梯度攻击尤其有效。我们的发现为在对比性联邦学习系统中实现稳健的安全措施提供了宝贵见解，促进了更安全的协作学习框架的发展。
引用
@article{arxiv.2505.10759,
title = {Random Client Selection on Contrastive Federated Learning for Tabular Data},
author = {Achmad Ginanjar and Xue Li and Priyanka Singh and Wen Hua},
journal= {arXiv preprint arXiv:2505.10759},
year = {2025}
}