이 논문은 탈중앙화 학습 환경에서 프라이버시 보호와 클라이언트 이탈에 대응하는 세 가지 새로운 기법을 제안한다.
Shamir의 비밀 공유 기법을 활용한 집계 기법(PPDL-NV): 클라이언트들이 모델 업데이트를 비밀 공유하여 집계하는 방식으로, 클라이언트 이탈에 대한 복원력을 제공한다.
LWE 기반 마스킹 기법(PPDL-LWE): 클라이언트들이 모델 업데이트를 LWE 기반으로 마스킹하여 집계하는 방식으로, 차분 프라이버시를 제공한다.
쌍대 마스킹 기법(PPDL-PW): 클라이언트들이 Diffie-Hellman 키 교환을 통해 쌍대 마스크를 생성하고 이를 활용하여 모델 업데이트를 집계하는 방식으로, 프라이버시와 클라이언트 이탈 대응성을 제공한다.
이 세 가지 기법은 MNIST, Fashion-MNIST, SVHN, CIFAR-10 데이터셋에 대한 실험을 통해 평가되었으며, 기존 방식에 비해 우수한 성능과 확장성을 보였다.
Sang ngôn ngữ khác
từ nội dung nguồn
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Ali Reza Gha... lúc arxiv.org 04-30-2024
https://arxiv.org/pdf/2404.17984.pdfYêu cầu sâu hơn