机构名称：
¥ 2.0
分散的学习（DL）启用与服务器的协作学习，而无需培训数据，可以使用户的设备留下。但是，DL中共享的模型仍然可用于推断培训数据。传统的防御措施，例如差异隐私和安全汇总在有效地保护DL中的用户隐私方面缺乏牺牲模型效用或效率。我们介绍了Shatter，这是一种新颖的DL方法，其中节点可以创建虚拟节点（VN S）代表他们传播其完整模型的块。这通过（i）防止攻击者从其他节点收集完整模型，以及（ii）隐藏产生给定模型块的原始节点的身份。从理论上讲，我们证明了破碎的收敛性，并提供了正式的分析，揭示了与在节点之间交换完整模型相比，Shatter如何降低攻击的效力。我们评估了与现有DL算法，异质数据集的融合和攻击弹性，并与三个Standard隐私攻击进行评估。我们的评估表明，破碎不仅使这些隐私攻击在每个节点运行16个VN时不可行，而且与标准DL相比，对模型实用程序产生了积极影响。总而言之，Shatter在保持模型的效用和效率的同时，增强了DL的隐私。
无噪用的隐私权分散学习
主要关键词
相关文件推荐
