SLVR: 安全利用客户端验证以实现鲁棒的联邦学习
密码学与安全
2025-02-13 v1 机器学习
摘要
联邦学习(FL)使协作模型训练成为可能，同时保持客户端数据隐私。然而，暴露单个客户端更新使FL易受重构攻击。安全聚合缓解了此类隐私风险，但阻止服务器验证每个客户端更新的有效性，从而形成隐私-鲁棒性权衡。近期工作试图通过在客户端更新上强制执行检查来解决这一权衡，使用零知识证明，但它们支持的谓词有限且通常依赖公共验证数据。我们提出SLVR，一个通过安全多方计算安全利用客户端私有数据的通用框架。通过利用客户端数据，SLVR不仅消除了对公共验证数据的需求，还实现了更广泛的鲁棒性检查，包括跨客户端准确率验证。它还能自然地适应客户端数据的分布偏移，因为它可以安全地刷新其验证数据以保持最新。我们的经验评估表明，SLVR提高了对模型投毒攻击的鲁棒性，特别是在自适应攻击下比现有方法性能高出50%。此外，SLVR在各种分布偏移场景下展示了有效的适应性和稳定的收敛性。
引用
@article{arxiv.2502.08055,
title = {SLVR: Securely Leveraging Client Validation for Robust Federated Learning},
author = {Jihye Choi and Sai Rahul Rachuri and Ke Wang and Somesh Jha and Yizhen Wang},
journal= {arXiv preprint arXiv:2502.08055},
year = {2025}
}
备注
29 pages