SCOTCH：一种用于安全聚合的高效安全计算框架
密码学与安全
2022-02-16 v2 机器学习
摘要
联邦学习使多个数据拥有者能够在不泄露私有数据集的情况下联合训练机器学习模型。然而，恶意聚合服务器可能利用模型参数推导出有关所用训练数据集的敏感信息。为解决此类泄露，已有前期工作探究了差分隐私与密码学技术，但这些常导致巨大的通信开销或影响模型性能。为缓解这种权力集中，我们提出 SCOTCH，一种用于联邦聚合的去中心化 m 方安全计算框架，其部署了如秘密共享等 MPC 原语。我们的协议简单、高效，相较于其他现有最先进的隐私保护联邦学习框架，在好奇聚合器或串谋数据拥有者面前提供严格隐私保证且通信开销极小。我们通过在多个数据集上进行大量实验评估了我们的框架，结果令人鼓舞。SCOTCH 能在训练数据集分布于 3 个参与用户与 3 个聚合服务器的情况下，以 96.57% 准确率在 MNIST 上、98.40% 准确率在扩展 MNIST（数字）数据集上训练标准 MLP NN，同时提供多种优化。
引用
@article{arxiv.2201.07730,
title = {SCOTCH: An Efficient Secure Computation Framework for Secure Aggregation},
author = {Yash More and Prashanthi Ramachandran and Priyam Panda and Arup Mondal and Harpreet Virk and Debayan Gupta},
journal= {arXiv preprint arXiv:2201.07730},
year = {2022}
}
备注
Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI-22), Third AAAI Privacy-Preserving Artificial Intelligence (PPAI-22) Workshop