SelectiveShield：轻量化混合防御以缓解联邦学习中的梯度泄露
分布式、并行与集群计算
2025-08-07 v1 人工智能
密码学与安全
摘要
联邦学习(FL)使在分散数据上进行协作模型训练成为可能，但仍面临能够重构敏感用户信息的梯度泄露攻击。现有防御机制如差分隐私(DP)和同态加密(HE)常在隐私、模型效用与系统开销之间权衡，这一挑战在数据呈非独立同分布且各客户端能力参差不齐的异构环境中尤为突出。为此，我们提出SelectiveShield——一种轻量化混合防御框架，通过选择性同态加密与差分隐私实现自适应集成。SelectiveShield利用Fisher信息对参数敏感性进行量化，使客户端能够在本地识别关键参数。通过协作协商协议，客户端就共享最敏感参数集合达成一致，将这些参数通过同态加密加以保护。对每个客户端唯一重要的参数保留于本地，以促进个性化；而对非关键参数则采用自适应差分隐私噪声进行保护。大量实验表明，SelectiveShield在保持强模型效用的同时，显著缓解了梯度泄露风险，为实际部署中的联邦学习提供了一种实用且可扩展的防御机制。
引用
@article{arxiv.2508.04265,
title = {SelectiveShield: Lightweight Hybrid Defense Against Gradient Leakage in Federated Learning},
author = {Borui Li and Li Yan and Jianmin Liu},
journal= {arXiv preprint arXiv:2508.04265},
year = {2025}
}
备注
19 pages, 7 figures