May, 2024

LoByITFL：低通信安全和私密联邦学习

PDF
TL;DR利用少量的代表性数据集、FLTrust 算法的适当转化以及在学习算法开始前仅使用可信第三方进行一次预处理阶段，我们介绍了 LoByITFL，这是第一个通信高效、信息论隐私保护和安全强固的联邦学习方案，它在隐私保证上并没有做出任何牺牲，同时确保对拜占庭对手的安全性。我们提供了关于隐私和拜占庭容忍性的理论保证，并提供了实验结果验证我们的理论发现。
发现论文，激发创造
  • 没有隐私损失的拜占庭容错安全聚合的联邦学习

    ByITFL 是第一个具备全信息论隐私的拜占庭容错方案，通过拉格朗日码计算、可验证的秘密共享和重新随机化步骤，实现了分布式的、保护隐私的计算。

    May, 2024

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 具有方差减少和差分隐私的拜占庭鲁棒联邦学习

    提出了基于差分隐私机制的稀疏化和动量驱动的方差减少方法，以防御拜占庭攻击，并保证演算法的客户端隐私保障。通过与现有方法的比较实验证明了该框架提高了系统的强韧性，并取得了较强的隐私保证。

    Sep, 2023

  • H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

    本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

    Jun, 2021

  • 贝叶斯联邦学习：综述

    本文是一项关于贝叶斯联邦学习（BFL）的问题与应用的调查研究，旨在解决分布式基础设施、通信、计算和隐私保护等问题，讨论客户端、服务端和基于 FL 的 BFL 方法，并提出了 BFL 研究的未来发展方向。

    Apr, 2023

  • 联邦学习中缓解拜占庭攻击的挑战和方法

    该研究论文对联邦学习中的拜占庭攻击进行了全面调查和分析，对现有防御方案进行了对比和讨论，并提出了一种新的拜占庭攻击方法称为权重攻击，由此揭示目前防御方案对联邦学习中的拜占庭攻击的局限性，并探讨了未来的研究方向和挑战。

    Dec, 2021

  • 低成本零知识证明的安全可验证数据协作

    我们提出了一种新颖且高效的解决方案 RiseFL，用于安全和可验证的数据协作，同时确保输入的隐私和完整性。

    Nov, 2023

  • 隐私敏感领域中联合学习的互惠证明

    通过实现隐私保障和最终模型准确性之间的平衡，本文研究了何时以及如何设计一种对所有参与者都有利的联邦学习协议，并给出了在均值估计和凸随机优化等背景下存在互惠协议的必要和充分条件。此外，本文还设计了最大化最终模型准确性的协议，并通过合成实验验证了其优势。

    Mar, 2024

  • 降低信息泄漏和计算的联邦学习

    Upcycled-FL 是一种新颖的联邦学习框架，应用在每个偶数迭代中的一阶逼近，以在保持隐私的同时提高隐私 - 准确性平衡，并通过引入扰动机制来保护隐私。实验表明，Upcycled-FL 在异构数据上持续优于现有方法，并且平均减少 48％的训练时间。

    Oct, 2023

  • 探索联邦学习的实用性：从通信的角度进行调查

    调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

    May, 2024