ScionFL：高效且鲁棒的安全量化聚合
密码学与安全
2024-05-20 v3 信息论
机器学习
math.IT
摘要
安全聚合常用于联邦学习（FL）中，以缓解中央聚合器明文查看所有参数更新所带来的隐私担忧。遗憾的是，大多数现有安全聚合方案忽略了两个关键的正交研究方向：其目标是（i）显著降低客户端-服务器通信，以及（ii）减轻恶意客户端的影响。然而，这两个额外特性对于促进具有数千甚至数百万（移动）参与者的跨设备 FL 至关重要。本文通过引入 ScionFL 将这两个研究方向统一起来，这是首个在量化输入上高效运行并同时提供针对恶意客户端鲁棒性的 FL 安全聚合框架。我们的框架利用（新颖的）多方计算（MPC）技术，并支持多种线性（1-bit）量化方案，包括利用随机 Hadamard 变换和 Kashin 表示的方案。我们的理论结果得到了广泛评估的支持。我们表明，与以明文传输和处理量化更新相比，客户端无开销、服务器开销适中，我们在标准 FL 基准上获得了可比的精度。此外，我们展示了我们的框架针对最先进的投毒攻击的鲁棒性。
引用
@article{arxiv.2210.07376,
title = {ScionFL: Efficient and Robust Secure Quantized Aggregation},
author = {Yaniv Ben-Itzhak and Helen Möllering and Benny Pinkas and Thomas Schneider and Ajith Suresh and Oleksandr Tkachenko and Shay Vargaftik and Christian Weinert and Hossein Yalame and Avishay Yanai},
journal= {arXiv preprint arXiv:2210.07376},
year = {2024}
}
备注
Published in 2024 IEEE Conference on Secure and Trustworthy Machine Learning (SaTML)