ULDP-FL：具备跨孤岛用户级差分隐私的联邦学习
机器学习
2024-06-18 v3 密码学与安全
摘要
差分隐私联邦学习（DP-FL）作为一种保证形式化隐私的协作机器学习方法已受到关注。大多数 DP-FL 方法在跨孤岛 FL 中为每个孤岛内的记录级提供 DP。然而，单个用户的数据可能横跨多个孤岛，而此种设定下所需的用户级 DP 保证仍属未知。在本研究中，我们提出 Uldp-FL，一种新颖的 FL 框架，旨在为单个用户数据可能属于多个孤岛的跨孤岛 FL 提供用户级 DP 保证。我们提出的算法通过按用户加权裁剪直接确保用户级 DP，有别于群体隐私方法。我们对该算法的隐私与效用进行了理论分析。此外，我们基于用户记录分布以增强加权策略来提升所提算法的效用，并设计了一种新颖的私有协议，确保不向孤岛与服务器泄露额外信息。在真实数据集上的实验表明，在用户级 DP 下，我们的方法相比基线方法在隐私-效用权衡上有显著提升。据我们所知，我们的工作是首个在一般跨孤岛 FL 设定中有效提供用户级 DP 的 FL 框架。
引用
@article{arxiv.2308.12210,
title = {ULDP-FL: Federated Learning with Across Silo User-Level Differential Privacy},
author = {Fumiyuki Kato and Li Xiong and Shun Takagi and Yang Cao and Masatoshi Yoshikawa},
journal= {arXiv preprint arXiv:2308.12210},
year = {2024}
}
备注
This is the full version of the paper accepted to VLDB 2024