通过概率掩码实现隐私保护与异构感知的拆分联邦学习
机器学习
2026-01-01 v2
摘要
拆分联邦学习（SFL）通过模型划分减少客户端计算，已成为传统联邦学习（FL）的高效替代方案。然而，中间激活与模型更新的交换引入了显著的隐私风险，尤其是通过中间表示恢复原始输入的数据重建攻击。现有使用噪声注入的防御方法往往会降低模型性能。为克服这些挑战，我们提出PM-SFL，一个可扩展且隐私保护的SFL框架，通过概率掩码训练添加结构化随机性而不依赖显式噪声。这在保持模型效用的同时缓解了数据重建风险。为解决数据异构性，PM-SFL采用个性化掩码学习，根据每个客户端的本地数据定制子模型结构。为解决系统异构性，我们引入逐层知识补偿机制，使资源各异的客户端能够在自适应模型划分下有效参与。理论分析证实了其隐私保护能力，图像与无线感知任务上的实验表明PM-SFL持续提升准确率、通信效率与隐私攻击鲁棒性，在数据与系统异构性下表现尤为突出。
引用
@article{arxiv.2509.14603,
title = {Towards Privacy-Preserving and Heterogeneity-aware Split Federated Learning via Probabilistic Masking},
author = {Xingchen Wang and Feijie Wu and Chenglin Miao and Tianchun Li and Haoyu Hu and Qiming Cao and Jing Gao and Lu Su},
journal= {arXiv preprint arXiv:2509.14603},
year = {2026}
}
备注
KDD 2026