Tazza：通过神经网络参数洗牌实现安全且私密的联邦学习
机器学习
2026-01-01 v3 人工智能
摘要
联邦学习能够在无需共享原始数据的情况下进行分散式模型训练，从而保护数据隐私。然而，其面对关键安全威胁（如恶意客户端的梯度反演和模型投毒）的脆弱性仍未得到解决。现有解决方案通常分别处理这些问题，要么牺牲系统鲁棒性，要么牺牲模型精度。本文介绍了Tazza，一个安全且高效的联邦学习框架，可同时应对这两大挑战。通过利用神经网络的置换等变性和置换不变性，采用权重洗牌和洗牌模型验证，Tazza增强了对各种投毒攻击的鲁棒性，同时确保了数据机密性和高模型精度。在各种数据集和嵌入式平台上的全面评估表明，与替代方案相比，Tazza在实现稳健防御的同时，计算效率最高可提升6.7倍，且性能不受影响。
引用
@article{arxiv.2412.07454,
title = {Tazza: Shuffling Neural Network Parameters for Secure and Private Federated Learning},
author = {Kichang Lee and Jaeho Jin and JaeYeon Park and Songkuk Kim and JeongGil Ko},
journal= {arXiv preprint arXiv:2412.07454},
year = {2026}
}
备注
15 pages, 16 figures