面向联邦学习的可验证安全聚合方案

在联邦学习中,多个数据拥有者可以联合训练一个高质量模型,有效地解决了数据孤岛问题,且能实现用户数据的隐私保护。然而,目前的联邦学习存在模型泄露、训练结果无法验证以及用户计算和通信代价较高等问题。对此,提出了面向联邦学习的隐私增强可验证安全聚合方案,实现了用户数据和模型参数的隐私保护,训练结果的可验证性,且大幅降低了用户的计算开销和通信代价。所提方案采用同态加密算法处理浮点运算,基于线性同态哈希函数验证聚合结果的正确性,其中部分用户掉线不影响最终的聚合结果。实验结果表明,所提方案具有较小的计算开销,且有效提高了训练模型的检测性能。