迈向可验证联邦学习
密码学与安全
2022-02-18 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
联邦学习（FL）是一种新兴的协作机器学习范式，在构建强大模型的同时保护用户隐私。然而，由于自利实体的开放参与性质，它需要防范合法 FL 参与者的潜在不当行为。FL 验证技术是针对该问题极具前景的解决方案。已证明它们能有效增强 FL 网络的可靠性并有助于在参与者之间建立信任。可验证联邦学习已成为一个新兴的研究课题，吸引了学术界和工业界的显著关注。目前，关于可验证联邦学习领域尚无综合性综述，该领域具有跨学科性质，研究者可能难以进入。在本文中，我们通过回顾聚焦于可验证 FL 的工作来弥补这一空白。我们提出了一种涵盖集中式与去中心化 FL 设置的可验证 FL 新分类法，总结了常用的性能评估方法，并讨论了迈向通用可验证 FL 框架的有前景方向。
引用
@article{arxiv.2202.08310,
title = {Towards Verifiable Federated Learning},
author = {Yanci Zhang and Han Yu},
journal= {arXiv preprint arXiv:2202.08310},
year = {2022}
}