两阶段多方计算赋能的隐私保护联邦学习
分布式、并行与集群计算
2020-05-26 v1
摘要
全球各国正对所收集个人或隐私数据的保护推行严格法规。传统集中式机器学习方法从终端用户或 IoT 设备收集数据以发现真实世界数据背后的洞见，鉴于此类法规，对许多数据驱动的工业应用而言可能不再可行。由 Google 提出的新机器学习方法 Federated Learning (FL) 使多方能在不直接交换数据的情况下协同训练机器学习模型。然而，近期研究表明，仍有可能利用共享模型提取个人或机密数据。在本文中，我们提出采用 Multi Party Computation (MPC) 为 FL 实现隐私保护的模型聚合。以对等方式进行的 MPC 模型聚合通信开销高且可扩展性低。为解决此问题，作者提出开发一种两阶段机制：1) 选举产生小型委员会；2) 通过该委员会向更多参与者提供基于 MPC 的模型聚合服务。该 MPC 赋能的 FL 框架已集成至智能制造 IoT 平台中。它使一组公司能在各自本地利用互补数据集协同训练高质量模型，且不损害隐私、不降低相对传统机器学习方法的模型准确率，并在通信成本与执行时间方面保持执行效率。
引用
@article{arxiv.2005.11901,
title = {Two-Phase Multi-Party Computation Enabled Privacy-Preserving Federated Learning},
author = {Renuga Kanagavelu and Zengxiang Li and Juniarto Samsudin and Yechao Yang and Feng Yang and Rick Siow Mong Goh and Mervyn Cheah and Praewpiraya Wiwatphonthana and Khajonpong Akkarajitsakul and Shangguang Wangz},
journal= {arXiv preprint arXiv:2005.11901},
year = {2020}
}
备注
This paper appears in the Proceedings of The 20th IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing(CCGrid 2020). Please feel free to contact us for questions or remarks