面向跨孤岛联邦学习的隐私安全夏普利值计算（技术报告）

夏普利值（SV）是跨孤岛联邦学习（cross-silo FL）中一种公平且基于原则的贡献评估指标，其中各组织（即客户端）在参数服务器的协调下协作训练预测模型。然而，现有的联邦学习 SV 计算方法假设服务器能够访问原始联邦学习模型与公开测试数据。考虑到针对联邦学习模型的新兴隐私攻击以及测试数据可能为客户端私有资产这一事实，该假设在实践中可能并不成立。因此，我们研究跨孤岛联邦学习的隐私安全 SV 计算问题。我们首先提出 HESV，一种仅基于同态加密（HE）进行隐私保护的单服务器方案，其在效率方面存在局限。为克服这些局限，我们提出 SecSV，一种高效双服务器协议，具有以下新颖特性。第一，SecSV 采用混合隐私保护方案，以避免测试数据与模型之间在 HE 下代价极高的密文—密文乘法。第二，为 SecSV 提出了一种高效的安全矩阵乘法方法。第三，SecSV 策略性地识别并跳过部分测试样本，而不会显著影响评估精度。我们的实验表明，SecSV 的速度可达 HESV 的 7.2 至 36.6 倍，且所计算 SV 的精度损失有限。