基于拓扑的去中心化学习重构防御

去中心化学习最近作为联邦学习的一种替代方案受到关注，其中数据和协调都是分布式的。为了保护用户数据的机密性，去中心化学习依赖于差分隐私、多方计算或两者兼用。然而，连续运行多个隐私保护求和可能允许对手执行重构攻击。当前的重构对策要么不能轻易适应分布式设置，要么添加过多的噪声。在这项工作中，我们首先表明，被动的诚实但好奇的对手可以在多次隐私保护求和后推断其他用户的私有数据。例如，在包含18个用户的子图中，我们表明仅三个被动的诚实但好奇的对手就能以11.0%的成功率重构私有数据，每个对手平均需要8.8次求和。成功率仅取决于对手的直接邻域，与整个网络的大小无关。我们考虑的是弱对手，他们不控制图拓扑，不能利用求和的内部机制，也没有辅助知识；并表明这些对手仍然可以推断私有数据。我们分析了重构与拓扑的关系，并提出了第一个基于拓扑的去中心化重构防御。我们表明，重构需要与网络最短周期长度线性相关的对手数量。因此，在无环网络中，对隐私保护求和的精确攻击是不可能的。我们的工作是为基于拓扑的去中心化重构防御形式化理论奠定基础。这样的理论将把我们的对策推广到求和之外，用熵定义机密性，并描述与（拓扑感知）差分隐私的相互作用。