Новая фреймворк федеративного обучения против атак с инверсией градиента

A New Federated Learning Framework Against Gradient Inversion Attacks

December 10, 2024

Авторы: Pengxin Guo, Shuang Zeng, Wenhao Chen, Xiaodan Zhang, Weihong Ren, Yuyin Zhou, Liangqiong Qu

cs.AI

Аннотация

Федеративное обучение (FL) направлено на защиту конфиденциальности данных, позволяя клиентам совместно обучать модели машинного обучения, не раскрывая их исходные данные. Однако недавние исследования показывают, что информация, обмениваемая во время FL, подвержена атакам градиентного инвертирования (GIA), и в связи с этим было интегрировано множество методов, сохраняющих конфиденциальность, в FL для предотвращения таких атак, таких как безопасные многосторонние вычисления (SMC), гомоморфное шифрование (HE) и дифференциальная конфиденциальность (DP). Несмотря на их способность защищать конфиденциальность данных, эти подходы неизбежно включают значительные компромиссы между конфиденциальностью и полезностью. Переосмыслив ключевую проблему утечки конфиденциальности в FL под GIA, заключающуюся в частом обмене градиентами модели, содержащими конфиденциальные данные, мы предлагаем новый подход, разработав новую рамку FL для сохранения конфиденциальности, которая эффективно "разрывает прямую связь" между общими параметрами и локальными конфиденциальными данными для защиты от GIA. Конкретно, мы предлагаем рамку Федеративного обучения с гиперсетями (HyperFL), которая использует гиперсети для генерации параметров локальной модели, и только параметры гиперсети загружаются на сервер для агрегации. Теоретический анализ демонстрирует скорость сходимости предложенного HyperFL, в то время как обширные экспериментальные результаты показывают способность сохранения конфиденциальности и сопоставимую производительность HyperFL. Код доступен по ссылке https://github.com/Pengxin-Guo/HyperFL.

English

Federated Learning (FL) aims to protect data privacy by enabling clients to collectively train machine learning models without sharing their raw data. However, recent studies demonstrate that information exchanged during FL is subject to Gradient Inversion Attacks (GIA) and, consequently, a variety of privacy-preserving methods have been integrated into FL to thwart such attacks, such as Secure Multi-party Computing (SMC), Homomorphic Encryption (HE), and Differential Privacy (DP). Despite their ability to protect data privacy, these approaches inherently involve substantial privacy-utility trade-offs. By revisiting the key to privacy exposure in FL under GIA, which lies in the frequent sharing of model gradients that contain private data, we take a new perspective by designing a novel privacy preserve FL framework that effectively ``breaks the direct connection'' between the shared parameters and the local private data to defend against GIA. Specifically, we propose a Hypernetwork Federated Learning (HyperFL) framework that utilizes hypernetworks to generate the parameters of the local model and only the hypernetwork parameters are uploaded to the server for aggregation. Theoretical analyses demonstrate the convergence rate of the proposed HyperFL, while extensive experimental results show the privacy-preserving capability and comparable performance of HyperFL. Code is available at https://github.com/Pengxin-Guo/HyperFL.