Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

VFEFL : Apprentissage fédéré préservant la confidentialité contre les clients malveillants via un chiffrement fonctionnel vérifiable

Created by
  • Haebom

Auteur

Nina Cai, Jinguang Han, Weizhi Meng

Contour

Dans cet article, nous proposons un nouveau cadre pour la préservation de la confidentialité des données et la prévention des attaques de clients malveillants dans l'apprentissage fédéré. Afin de résoudre les problèmes de vulnérabilité aux attaques de retour de modèle et d'attaques de clients malveillants de l'apprentissage fédéré actuel, nous présentons un cadre d'apprentissage fédéré préservant la confidentialité basé sur le chiffrement fonctionnel vérifiable (VFE). Plus précisément, nous proposons une nouvelle technique de chiffrement fonctionnel vérifiable distribué (DVFE) permettant la vérification de relations spécifiques pour des textes chiffrés multidimensionnels, et concevons un cadre VFEFL basé sur celle-ci, incluant des règles d'agrégation robustes pour la détection des clients malveillants. Le schéma proposé assure la préservation de la confidentialité, la robustesse, la vérifiabilité et la précision grâce à une analyse formelle et une évaluation expérimentale. Contrairement aux méthodes existantes, il ne repose pas sur une configuration à deux serveurs sans coopération secrète ni sur un tiers de confiance.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons un nouveau cadre qui répond efficacement aux vulnérabilités en matière de confidentialité et de sécurité dans l’apprentissage fédéré existant.
◦
Protection de la confidentialité et prévention des attaques de clients malveillants sans avoir recours à des tiers de confiance ou à des configurations de serveurs doubles coopérant secrètement.
◦
Apprentissage de modèle de haute précision possible grâce à la technique DVFE qui permet une vérification de texte chiffré multidimensionnelle et des règles d'agrégation fortes.
◦
Vérification des performances par preuve de sécurité formelle et évaluation expérimentale.
•
Limitations:
◦
D’autres études sont nécessaires sur l’applicabilité pratique et l’évolutivité des DVFE et VFEFL proposés.
◦
Il est nécessaire d’évaluer et d’améliorer la résistance à divers types d’attaques malveillantes.
◦
Une optimisation supplémentaire est nécessaire pour la complexité de calcul et les performances du schéma DVFE.
👍
Made with Slashpage