LoByITFL: Low Communication Secure and Private Federated Learning

要約

Federated Learning (FL) は、クライアント データのプライバシーやビザンチン クライアントに対するセキュリティなど、いくつかの課題に直面しています。
プライバシーとセキュリティを同時に扱う既存の作品は、プライバシーの保証を犠牲にしています。
この研究では、ビザンチンの敵に対するセキュリティを確保しながら、プライバシーの保証を犠牲にすることなく、通信効率の高い情報理論 (IT) のプライベートで安全な初の FL スキームである LoByITFL を紹介します。
重要な要素は、フェデレーターが利用できる小規模で代表的なデータセット、FLTrust アルゴリズムの慎重な変換、および学習アルゴリズムの開始前の 1 回限りの前処理フェーズでのみ信頼できるサードパーティを使用することです。
私たちはプライバシーとビザンチン復元力に関する理論的保証を提供し、収束保証と理論的発見を検証する実験結果を提供します。

要約(オリジナル)

Federated Learning (FL) faces several challenges, such as the privacy of the clients data and security against Byzantine clients. Existing works treating privacy and security jointly make sacrifices on the privacy guarantee. In this work, we introduce LoByITFL, the first communication-efficient Information-Theoretic (IT) private and secure FL scheme that makes no sacrifices on the privacy guarantees while ensuring security against Byzantine adversaries. The key ingredients are a small and representative dataset available to the federator, a careful transformation of the FLTrust algorithm and the use of a trusted third party only in a one-time preprocessing phase before the start of the learning algorithm. We provide theoretical guarantees on privacy and Byzantine-resilience, and provide convergence guarantee and experimental results validating our theoretical findings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google