摘要
联邦学习（FL）使多个客户端能够协同训练机器学习模型，同时保留数据本地性，从而增强用户隐私。然而，传统的FL框架依赖于集中式聚合服务器，并假设客户端是诚实但好奇的，这使其易受服务器推断和客户端中毒攻击的影响。尽管近期有研究探索安全和鲁棒的FL协议，但这些协议在隐私、完整性和可验证性之间存在根本性权衡，并因重度使用加密原语而导致显著的计算和通信开销。
在本研究中，我们提出了PRoVeFL——一个新颖的模块化FL框架，具备隐私保护、鲁棒性和可验证的聚合。PRoVeFL利用多服务器架构，采用多密钥完全同态加密。每个客户端对其本地模型更新进行加密，并将加密的共享数据分发给所有服务器。这一设计实现了一种混合计算模型，能在严格隐私约束下高效评估复杂的统计聚合规则。
PRoVeFL与多种先进的鲁棒聚合算法（如Krum、Trimmed Mean、FLTrust、范数裁剪、MESAS等）兼容，并通过可验证性机制进一步增强这些算法，要求仅对至少一个诚实服务器的信任最小化。我们在不同设置下评估了PRoVeFL，并展示了其在参与者和参数数量变化下的可扩展性。PRoVeFL在运行时间上相较于之前的工作Prio和ELSA，基于分布式信任的安全保证，分别提高了最高100倍和10倍的性能。
博主点评： PRoVeFL作为一个新兴的框架，成功解决了传统联邦学习中安全性与效率的矛盾，特别是在隐私保护和可验证性方面的创新，标志着在分布式学习领域的重要进展。其多密钥的同态加密设计为未来的研究提供了良好的基础，值得关注和探索。