一种高效的全流程隐私保护联邦学习方案

摘要

近年来，联邦学习作为一种突破性的方法，打破了传统集中式数据训练的限制，使得分布在各处的数据能够被有效利用，解决了数据孤岛和数据合规性使用问题.然而，随之而来的是日益严重的模型隐私泄露安全威胁，以及现有联邦学习隐私保护方案效率低下的挑战.针对这一问题，本文将掩码技术和差分隐私巧妙结合，提出一种基于成对掩码和弹性差分隐私的高效全流程隐私保护联邦学习方案.该方案基于噪声弹性机制，构建根据运行情况动态调整噪声规模的弹性噪声添加方法，在保护模型隐私的同时可有效降低噪声对模型性能的影响；另外，通过改进掩码添加方法，不仅可以提高模型聚合效率，还能提升方案对于掉线客户端的鲁棒性.最后，本文对方案的全流程隐私性和效率进行了分析，在MNIST、Fashion-MNIST数据集上验证算法有效性和可行性，并进一步探讨了隐私预算和松弛项对模型性能的影响.

关键词

联邦学习 / 差分隐私 / 掩码技术 / 隐私保护