Belangrijkste concepten
連邦学習の安全な集約プロトコル(SecAgg)の通信コストを大幅に削減する新しい手法(CESA)を提案する。
Samenvatting
本論文は、連邦学習(FL)における安全な集約プロトコル(SecAgg)の通信コストを削減する新しい手法を提案している。
SecAggは、クライアントの学習モデルを共有秘密鍵と乱数要素を用いてマスキングすることで、プライバシーを保護する。しかし、SecAggは通信コストと計算コストが大きくなるという課題がある。
提案手法のCESAは、SecAggの課題を解決するために以下の3点を実現している:
クライアントごとの乱数要素の生成を不要にする
暗号化処理を行わない
クライアントごとに2つの共有マスクのみを生成する
これにより、CESAはSecAggと比べて通信コストを大幅に削減できる。また、CESAはネットワークサイズに依存せず、honest-but-curious な状況でもクライアントのモデルを保護できる。
CESAは、遅延変動が小さく、クライアントの脱落が限定的なネットワークを想定して設計されている。
Statistieken
クライアントからサーバーへの通信量は、SecAggに比べCESAでは大幅に削減される。
クライアント数が10の場合、100ラウンド目でSecAggは約1,800,000メッセージ、CESAは約110,000メッセージとなる。
クライアント数が100の場合、100ラウンド目でSecAggは約2,000,000メッセージ、CESAは約210,000メッセージとなる。
サーバーからクライアントへの通信量は、SecAggではクライアント数に依存して増加するのに対し、CESAではクライアント数に依存せず一定となる。