基于 Shapley 值引导噪声注入的联邦学习可解释隐私保护
密码学与安全
2026-04-02 v2
摘要
本文提出了 FedSVA，一种用于联邦学习（FL）的可解释差分隐私（DP）机制，该机制通过 Shapley 值根据属性的隐私贡献动态校准噪声注入。与启发式 DP 方法不同，FedSVA 量化了每个属性对模型训练的影响并相应地调整噪声，在最小化效用损失的同时提供严格的隐私保证。理论分析证实了其收敛性和 DP 性质。在 CIFAR-10 和 FEMNIST 上的实验表明，该方法实现了 SOTA 的隐私-效用权衡，并对重构攻击具有鲁棒的防御能力。
引用
@article{arxiv.2503.12958,
title = {Towards Explainable Privacy Preservation in Federated Learning via Shapley Value-Guided Noise Injection},
author = {Yunbo Li and Jiaping Gui and Yue Wu},
journal= {arXiv preprint arXiv:2503.12958},
year = {2026}
}
备注
Accepted at ICASSP 2026