ZKP-FedEval：基于零知识证明的可验证隐私保护联邦评估
机器学习
2025-07-21 v2 分布式、并行与集群计算
网络与互联网体系结构
摘要
联邦学习（FL）使在去中心化数据上进行协作模型训练成为可能，同时不会暴露原始数据。然而，FL的评估阶段可能通过共享性能指标泄露敏感信息。在本文中，我们提出了一种新型协议，采用零知识证明（ZKP）实现联邦评估的隐私保护与可验证性。我们的方案不透露原始损失值，而是生成简洁的证明，断言其本地损失低于预设阈值。该方法在无需依赖外部API的前提下实现，包含联邦学习仿真、ZKP电路设计及在MNIST和Human Activity识别（HAR）数据集上的实验评估。我们聚焦于针对MNIST的简单卷积神经网络（CNN）模型和针对HAR的多层感知器（MLP）模型，评估该方案在计算开销、通信成本和可验证性方面的表现。
引用
@article{arxiv.2507.11649,
title = {ZKP-FedEval: Verifiable and Privacy-Preserving Federated Evaluation using Zero-Knowledge Proofs},
author = {Daniel Commey and Benjamin Appiah and Griffith S. Klogo and Garth V. Crosby},
journal= {arXiv preprint arXiv:2507.11649},
year = {2025}
}