面向被动方意外退出的鲁棒且保护IP的纵向联邦学习
密码学与安全
2023-04-03 v1 机器学习
摘要
纵向联邦学习（VFL）使拥有标注特征的服务提供商（即主动方）能够与拥有辅助特征的被动方协作以提升模型性能。然而，现有 VFL 方法在部署阶段被动方意外退出时存在两个主要漏洞——严重的性能下降和主动方标签的知识产权（IP）泄露。在本文中，我们提出 \textbf{Party-wise Dropout} 以提升 VFL 模型对被动方意外退出的鲁棒性，并提出一种称为 \textbf{DIMIP} 的防御方法以在部署阶段保护主动方的 IP。我们在多个数据集上针对不同的推理攻击评估了所提方法。结果表明，Party-wise Dropout 在被动方退出后有效维持模型性能，且 DIMIP 成功对来自被动方特征提取器的标签信息进行伪装，从而缓解 IP 泄露。
引用
@article{arxiv.2303.18178,
title = {Robust and IP-Protecting Vertical Federated Learning against Unexpected Quitting of Parties},
author = {Jingwei Sun and Zhixu Du and Anna Dai and Saleh Baghersalimi and Alireza Amirshahi and David Atienza and Yiran Chen},
journal= {arXiv preprint arXiv:2303.18178},
year = {2023}
}