可撤销联邦学习：联邦森林基准
密码学与安全
2019-11-11 v1 机器学习
摘要
一个学习联邦由多个参与方组成，它们使用联邦学习技术协作训练机器学习模型而不直接泄露本地数据。然而，现有联邦学习框架存在一个严重缺陷：即便某参与方被撤销，其数据仍被训练好的模型所记忆。在公司级合作中，允许剩余公司使用包含已撤销公司记忆的训练模型显然不可接受，因为这会导致重大利益冲突。因此，我们着重讨论联邦学习的参与方撤销问题，并设计了一个可撤销联邦随机森林（RF）框架RevFRF，以进一步阐释可撤销联邦学习的概念。在RevFRF中，我们首先定义可撤销联邦RF需解决的安全问题。随后，设计了一套基于同态加密的安全协议，用于联邦RF的构建、预测与撤销。通过理论分析与实验，我们表明这些协议能够安全高效地实现RF的协作训练，并确保训练好的RF中已撤销参与方的记忆被安全移除。
引用
@article{arxiv.1911.03242,
title = {Revocable Federated Learning: A Benchmark of Federated Forest},
author = {Yang Liu and Zhuo Ma and Ximeng Liu and Zhuzhu Wang and Siqi Ma and Ken Ren},
journal= {arXiv preprint arXiv:1911.03242},
year = {2019}
}