安全联邦矩阵分解
密码学与安全
2022-04-12 v1 机器学习
摘要
为保护用户隐私并满足法律法规要求，联邦（机器）学习近年来获得了广泛关注。联邦学习的核心原则是在无需知晓每个用户个人原始隐私数据的情况下训练机器学习模型。本文提出了一种联邦学习设置下的安全矩阵分解框架，称为 FedMF。首先，我们设计了一个用户级分布式矩阵分解框架，其中模型可以在每个用户仅向服务器上传梯度信息（而非原始偏好数据）的情况下进行学习。虽然梯度信息看似安全，但我们证明它仍可能泄露用户的原始数据。为此，我们利用同态加密增强了该分布式矩阵分解框架。我们实现了 FedMF 的原型，并使用真实的电影评分数据集对其进行了测试。结果验证了 FedMF 的可行性。我们还讨论了在实际应用中部署 FedMF 所面临的挑战，以供未来研究参考。
引用
@article{arxiv.1906.05108,
title = {Secure Federated Matrix Factorization},
author = {Di Chai and Leye Wang and Kai Chen and Qiang Yang},
journal= {arXiv preprint arXiv:1906.05108},
year = {2022}
}