零知识联邦学习：一种可信且隐私保护的分布式学习范式
密码学与安全
2026-01-21 v3 人工智能
摘要
联邦学习 (FL) 作为分布式机器学习中的一种有前景的范式，使能够在保留数据隐私的同时进行协作模型训练。尽管具有诸多优势，FL 仍面临重大挑战——尤其是关于安全和信任的问题。零知识证明 (ZKP) 提供了一种可能的解决方案，通过在 FL 整个过程中建立信任并增强系统完整性。尽管已有研究探索了基于 ZKP 的 FL (ZK-FL)，但仍缺乏系统框架和全面分析。本文作出两项关键贡献：首先，我们提出了结构化的 ZK-FL 框架，对 ZKP 在各种 FL 阶段和任务中的技术角色进行分类和分析。其次，我们引入一种新型算法，即可验证客户端选择联邦学习 (Veri-CS-FL)，该算法运用 ZKP 来细化客户端选择过程。在 Veri-CS-FL 中，参与客户端生成其本地模型性能指标的可验证证明，并将这些简洁的证明提交给服务器进行高效验证。服务器随后选择性能优良的客户端进行模型上传， subsequently 聚合这些所选客户端的贡献。通过集成 ZKP，Veri-CS-FL 不仅确保性能指标的准确性，还在参与者之间增强了信任，同时提高了 FL 系统的整体效率和安全性。
引用
@article{arxiv.2503.15550,
title = {Zero-Knowledge Federated Learning: A New Trustworthy and Privacy-Preserving Distributed Learning Paradigm},
author = {Taotao Wang and Yuxin Jin and Qing Yang and Yihan Xia and Long Shi and Shengli Zhang},
journal= {arXiv preprint arXiv:2503.15550},
year = {2026}
}
备注
Accepted by IEEE Communications Magazine. Copyright IEEE