Y. Liang, Y. Li and B. -S. Shin, “Auditable Federated Learning With Byzantine Robustness,” in IEEE Transactions on Computational Social Systems, doi: 10.1109/TCSS.2023.3266019. 可免费下载：https://download.csdn.net/download/liangyihuai/87727720

机器学习 (ML) 在许多领域带来了颠覆性创新，例如医学诊断。 ML 的一个关键推动因素是大量训练数据，但由于数据孤岛和隐私问题，现有数据（例如医疗数据）并未被 ML 充分利用。 下面两张图给出了数据孤岛导致的问题应用示例。

联邦学习 (FL) 是一种很有前途的分布式学习范式来解决这个问题， 它可以在多方之间训练出一个机器学习模型，且不需要client将数据上传给服务器或其他人。

但是， 现有的 FL 方法容易受到恶意聚合器或客户端的中毒攻击或隐私泄露。 如下图所示：

本文提出了一种针对聚合器和客户端的具有拜占庭鲁棒性的可审计 FL 方案：聚合器是恶意的但可用的，客户端会实施投毒攻击。

论文针对联邦学习的cross-silo setting（多个公司、组织之间），解决了如下问题：

• 隐私保护：使用同态加密技术保护梯度数据。即使client和聚合器合谋，也无法破坏其隐私保护。
• 防止投毒攻击，且具有接近FedAvg方案的精确度。
• 可审计。任何一个参与者都能够审计来确定其它参与者（client或者聚合器）是否诚信，比如是否篡改了数据，是否诚信地聚合了梯度等等。

首先，应用用于同态加密的 Pedersen 承诺方案 (PCS) 来保护隐私和对 FL 过程的承诺以实现可审计性。 可审计性使客户能够验证整个 FL 流程的正确性和一致性，并识别行为不当的各方。 其次，基于 PCS 设计了一种有效的分而治之技术，允许各方合作并安全地聚合梯度以抵御投毒攻击。 这种技术使客户端能够不共享公用密钥并合作解密密文，即使其他客户端被对手破坏，也能保证客户端的隐私。 此技术经过优化以容忍客户端的丢失。 本文报告了针对恶意参与者的隐私、效率和可审计性的正式分析。 在各种基准数据集上进行的大量实验表明，该方案具有很强的鲁棒性，对中毒攻击具有较高的模型精度。

更多内容请查看论文原文：可免费下载：https://download.csdn.net/download/liangyihuai/87727720

谢谢！