SoK：利用差分隐私增强密码学协作学习
密码学与安全
2026-01-15 v1 人工智能
机器学习
摘要
在协作学习（CL）中，多方在各自的私有数据集上联合训练机器学习模型。然而，出于隐私担忧，数据无法直接共享。为确保输入机密性，多方安全计算（MPC）等密码学技术支持在加密数据上进行训练。然而，即使是安全训练的模型也容易受到旨在从模型输出中提取记忆数据的推理攻击。为确保输出隐私并缓解推理攻击，差分隐私（DP）在训练过程中注入校准噪声。尽管密码学和差分隐私提供了互补的保证，但将它们高效结合以实现密码学与差分隐私协作学习（CPCL）仍具挑战。密码学会带来性能开销，而差分隐私会降低准确率，从而产生需要在设计时仔细考量的隐私-准确率-性能权衡。本工作对CPCL的研究现状进行了系统化梳理。我们引入了一个统一框架，概括了CPCL范式中的常见阶段，并确定安全噪声采样是实现CPCL的基础阶段。我们分析了不同安全噪声采样技术、噪声类型和差分隐私机制的权衡，讨论了其实施挑战，并评估了它们在CPCL范式中的准确率和密码学开销。此外，我们在MPC中实现了所确定的安全噪声采样选项，并评估了其在广域网（WAN）和局域网（LAN）中的计算与通信成本。最后，我们基于文献中已确定的关键观察、空白和可能的改进，提出了未来的研究方向。
引用
@article{arxiv.2601.09460,
title = {SoK: Enhancing Cryptographic Collaborative Learning with Differential Privacy},
author = {Francesco Capano and Jonas Böhler and Benjamin Weggenmann},
journal= {arXiv preprint arXiv:2601.09460},
year = {2026}
}
备注
This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML 2026)