基于混沌映射与同态加密的可验证动量联邦学习方案VMFL

《Symmetry》:A Verifiable Momentum Federated Learning Scheme

【字体: 大 中 小 】 时间:2026年09月26日 来源:Symmetry 2.2

编辑推荐:

   摘要

  

摘要

动量联邦学习(MFL)在隐私保护数据挖掘领域受到了广泛关注。然而,攻击者可能实施两种恶意行为:(1)对动量信息发起梯度反演攻击以重建训练样本;(2)在聚合过程中篡改动量信息以使模型不可靠。现有的MFL方法通常难以在训练过程中同时应对隐私攻击和篡改问题。为解决这一问题,我们提出了一种可验证的动量联邦学习方案(VMFL)。VMFL利用混沌映射生成伪随机序列,并将本地动量向量之和嵌入为验证数据,构建由加法同态加密保护的可验证动量。我们进一步设计了一种聚合验证协议,在解密和模型更新之前,通过检查密文域中的向量和一致性来验证聚合后的动量。严格的理论分析证明了该方案的隐私保护性和可验证性。最后,我们在三个真实数据集(MNIST、FMNIST和CIFAR-10)以及两个深度模型(LeNet5和ResNet18)上进行了大量的实验模拟、对比和分析,验证了VMFL在抗隐私攻击、篡改检测和时间成本方面的优势。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号