10.19665/j.issn1001-2400.2023.04.009
反迁移学习的隐私保护联邦学习
模型窃取和梯度泄露两大攻击日益成为限制联邦学习广泛应用的瓶颈.现有基于授权的知识产权保护方案和联邦学习隐私保护方案已针对上述挑战开展了大量研究,但仍存在授权失效和计算开销大的问题.针对上述问题,提出了一种联邦学习下的模型知识产权与隐私保护方法.该方法能够在保护本地梯度隐私的同时,确保聚合后的模型授权不失效.具体来说,设计了一种基于盲化因子的轻量级梯度聚合方法,通过聚合密文盲化因子,大幅度降低加解密过程的计算开销.在此基础上,进一步提出了一种基于反迁移学习的交互式协同训练方法,在训练过程增大辅助域数据的表征向量与阻碍之间的香农互信息,实现在保护本地梯度隐私的同时,确保模型仅能被授权用户在已授权的领域使用.从理论上证明了该方案的安全性和正确性,并在公开数据集上验证了该方案的优越性.结果表明,所提方案确保联邦学习全局模型在未授权领域的性能较现有方案至少降低了约 47%,计算复杂度实现了梯度维度级的降低.
联邦学习、知识产权保护、反迁移学习、隐私保护、公钥密码学
50
TP309(计算技术、计算机技术)
国家自然科学基金;陕西省重点研发计划;陕西省自然科学基础研究计划项目
2023-09-13（万方平台首次上网日期，不代表论文的发表时间）
共11页
89-99
