SelectiveShield：轻量级混合防御框架对抗联邦学习中的梯度泄露

作者：Borui Li, Li Yan, Jianmin Liu
提交日期：2025年8月6日

摘要

联邦学习（FL）支持在分散数据上进行协作模型训练，但仍容易受到梯度泄露攻击，这些攻击可能重建敏感用户信息。现有的防御机制，如差分隐私（DP）和同态加密（HE），通常在隐私、模型效用和系统开销之间引入权衡，这一挑战在具有非独立同分布（non-IID）数据和不同客户端能力的异构环境中更加严重。

为了解决这些限制，我们提出了SelectiveShield，一个轻量级混合防御框架，自适应地整合选择性同态加密和差分隐私。SelectiveShield利用Fisher信息来量化参数敏感性，允许客户端在本地识别关键参数。通过协作协商协议，客户端就一组最敏感的参数达成一致，并通过同态加密进行保护。对个别客户端独特重要的参数在本地保留，促进个性化，而非关键参数则通过自适应差分隐私噪声进行保护。广泛的实验表明，SelectiveShield在显著减轻梯度泄露风险的同时保持了强大的模型效用，为现实世界的联邦学习部署提供了一个实用且可扩展的防御机制。

19页，7张图

主题

分布式、并行和集群计算（cs.DC）；人工智能（cs.AI）；密码学与安全（cs.CR）

引用

arXiv:2508.04265 [cs.DC]
(或此版本的 arXiv:2508.04265v1 [cs.DC])
DOI: https://doi.org/10.48550/arXiv.2508.04265

提交历史

来自：Borui Li [查看电子邮件] [v1]
2025年8月6日星期三 09:50:39 UTC (2,258 KB)

全文链接

查看PDF：查看题为《SelectiveShield: Lightweight Hybrid Defense Against Gradient Leakage in Federated Learning》的论文PDF，作者为Borui Li及其他两位作者
HTML（实验性）
TeX源代码
其他格式
查看许可证

当前浏览上下文

cs.DC

代码、数据和媒体

alphaXiv
CatalyzeX Code Finder for Papers
DagsHub
GotitPub
Hugging Face
Papers with Code
ScienceCast

演示

Replicate
Hugging Face Spaces
TXYZ.AI

关于arXivLabs

arXivLabs是一个允许合作者直接在网站上开发和共享新arXiv功能的实验项目框架。与arXivLabs合作的个人和组织都接受并支持我们的开放、社区、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并只与遵守这些价值观的合作伙伴合作。

哪些作者是本文的认可者？ | 禁用MathJax（什么是MathJax？）

关于和帮助

联系arXiv
订阅arXiv邮件
版权
隐私政策
网站无障碍协助
arXiv运营状态：通过电子邮件或Slack获取状态通知