【五期邵润东】CCF-B(INS'21)A privacy-preserving and non-interactive federated learning scheme for regression training with gradient descent

Wang, Fengwei, et al. "A privacy-preserving and non-interactive federated learning scheme for regression training with gradient descent." Information Sciences 552 (2021): 183-200.——CCF-B

   在本文中作者针对现存的隐私保护和回回归训练的数据通信限制的问题，提出了一个非交互式回归训练联邦学习方案VANE。VANE允许多个数据所有者能够在云服务提供商的帮助下训练一个全局回归模型，而本地培训数据可以得到保护。在整训练过程中，不需要数据所有者和云服务提供商之间进行交互。 详细的安全分析表明，VANE可以很好地保护数据所有者的本地培训数据。

   这篇文章提出的VANE方案的主要优点是实现了非交互式回归训练和模型更新，TA会为云服务商和数据所有者分发密钥和系统参数，数据所有者将本地训练数据进行预处理，然后发送给云服务商进行聚合生成训练数据。并且VANE 基于Paillier密码系统提出了一种单云架构的安全数据聚合算法，可以保护训练数据的敏感信息，还有该方案可以评估生成全局模型，抵抗模糊数据，保证准确性。 详细的安全分析显示了其安全性强度和隐私保护能力，并进行了大量的实验验证了其有效性。

  文章提出的方案在对训练数据庞大，远多于训练梯度参数的情况下，可能不能保证方案的运行性能比一般的方法更好。

2023年1月13日