Aegis: 针对垂直联邦学习的可信、自动和准确的验证框架

IJCAIAug, 2021

Aegis: 针对垂直联邦学习的可信、自动和准确的验证框架

Aegis: A Trusted, Automatic and Accurate Verification Framework for Vertical Federated Learning

Cengguang Zhang, Junxue Zhang, Di Chai, Kai Chen

TL;DR本研究提出了 Aegis，一种值得信赖的自动和准确的验证框架，用于垂直联邦学习的安全验证。它能够检测出 95% 的威胁模型，并在总共 VFL 作业时间的 84％内提供细粒度的验证结果。

Abstract

vertical federated learning (VFL) leverages various privacy-preserving algorithms, e.g., homomorphic encryption or secret sharing based SecureBoost, to ensure data privacy. However, these algorithms all require a semi-honest secure definition, which raises concerns in real-world applic

vertical federated learning privacy-preserving algorithms aegis security verification framework threat models

发现论文，激发创造

vFedSec：通过安全层实现垂直联邦学习的高效安全聚合

本文提出了一种名为 vFedSec 的新型设计，其中包含一个创新的安全层，可使用安全聚合中的最新安全模块安全高效地进行垂直联邦学习，实现隐私数据的有效保护，并且速度比同类方法快得多。

May, 2023

安全聚合的高效垂直联邦学习

本文提出了一种使用最先进的安全模块进行安全和高效的垂直联邦学习的新方法，与同态加密（HE）相比，该方法提供了 9.1e2〜3.8e4 的加速，同时不影响训练性能。

May, 2023

使用敌对嵌入攻击竖直联邦学习模型

本研究探讨了垂直联邦学习的安全保障问题，针对现有垂直联邦学习框架中使用密码学技术提供数据隐私和安全保障的方式，提出了对模型安全性的进一步研究探讨。

Dec, 2022

使用反向更新的安全双层异步垂直联邦学习

本文提出一种 VFBL 框架，整合了新的向后更新机制和双层异步并行体系结构（VF {${ extbf {B}}^2$}），在该框架下提出了三种新算法，包括 VF {${ extbf {B}}^2$}-SGD，-SVRG 和 - SAGA，这三个算法在强凸和非凸条件下具有收敛速率的理论结果，我们也证明了 VF {${ extbf {B}}^2$} 的安全性。大量基准数据集上的实验表明，我们的算法具有高效性，可扩展性和无损失性。

Mar, 2021

具有自适应特征嵌入的灵活差分隐私垂直联邦学习

本文研究了垂直联邦学习在数据隐私和任务效用目标之间的微妙平衡，并提出了一种灵活而通用的方法来解决这个问题。通过对共享特征嵌入进行规范剪裁，我们首先得出了严格的隐私保证，接下来通过对特征嵌入的规模和分布进行自适应调整，我们还优化了任务效用，同时不损害建立的差分隐私机制。通过大量实验证明了我们提出的 VFL-AFE 框架能有效抵御隐私攻击并保持有利的任务效用。

Jul, 2023

纵向联邦图像分割

提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN, 以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

Jan, 2024

垂直联邦学习

本文提供了关于垂直联邦学习的综述，包括联邦学习的概念、算法及其各个方面的挑战和现有进展；介绍了 VFL 的分类、隐私保护协议、攻击和防御策略，并提出了 VFLow 统一框架；最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。

Nov, 2022

基于模型生命周期的垂直联邦学习中隐私威胁与防御调查

综述了垂直联邦学习中的隐私攻击和防御方法，提供了攻击和防御的分类方法，并讨论了未来的研究方向和挑战，为研究人员提供了资源，为从业者在机器学习模型的生命周期中保护数据隐私提供明确指导和可行的见解。

Feb, 2024

具审计能力的基于同态加密的去中心化协作人工智能与基于属性的差分隐私

通过引入同态加密和细粒度差分隐私，我们提出了一种名为 AerisAI 的新型分布式协作人工智能框架，以改善安全性，直接使用基于区块链智能合约的加密参数进行聚合，消除了对可信第三方的需求，并提供基于密文策略属性加密（CPABE）的广播感知组密钥管理，以实现基于不同服务级别协议的细粒度访问控制，通过理论分析和与其他基准的功能比较，我们提供了对 AerisAI 的形式化评估，并对真实数据集进行了广泛实验，实验结果表明我们提出的 AerisAI 明显优于其他最先进的基准算法。

Feb, 2024

垂直联邦学习的效果、安全性、适用性调查

纵向联邦学习是一种隐私保护的分布式学习范式，不泄露私密数据的情况下，不同参与方通过使用共享样本的分区特征协同学习模型。本文对纵向联邦学习的最新发展进行了系统概述，并提出了几个关键的未来研究方向，以促进该领域的发展。

May, 2024