Progressive-Resolution Secure Aggregation for Federated Learning
该论文聚焦联邦学习（FL）中的安全聚合（Secure Aggregation）机制，并指出其一个长期被忽视的功能性局限：在传统协议中，聚合结果的精度（分辨率）在客户端上传更新时就被一次性固定下来。也就是说，服务器与客户端在协议开始前必须就量
#secure-aggregation
共收录 14 条相关情报。
← 返回所有主题Cascading Gradient Inversion via LT-Code Inspired Peeling in Federated Learning
该论文研究联邦学习（Federated Learning）中的梯度泄露隐私问题。联邦学习只共享模型更新而不共享原始数据，但已有研究表明这些更新可被反演以重建客户端训练数据。其中解析式重建攻击（analytic reconstruction
When Topology Betrays Privacy: Lattice-Based Reconstruction Attacks on Secure Aggregation in Decentralized Federated Learning
本文研究去中心化联邦学习（DFL）中安全聚合（Secure Aggregation, SA）的隐私泄露问题。在DFL中，每个节点与其邻居进行局部聚合，安全聚合通常被实例化为局部邻居聚合，即每个节点仅获得其邻居的加权聚合结果，而隐藏个体更新。
Revisiting Continuous Noise Sampling for Multi-Party Differential Privacy
这篇论文重新审视了多方差分隐私（DP）中连续噪声采样的协议。在多方计算（MPC）与差分隐私结合的场景下，各方需要在不依赖可信中心的情况下发布聚合统计，其核心原语是在有限精度算术下从连续分布中采样噪声。作者首先识别了广泛使用的“采样-缩放”（
Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
本文提出一种针对临床脑电图（EEG）数据的隐私保护联邦学习框架，核心机制是基于掩码的安全聚合（secure aggregation）。联邦学习虽然允许多个机构在不交换原始临床EEG数据的前提下共同训练模型，但个体模型更新仍可能泄露患者隐私。
NFSA: Non-Forward Secure Aggregation with One Server via Two Layer Secret Sharing
本文提出了一种名为 NFSA 的非前向安全聚合协议，旨在解决联邦学习中现有安全聚合方案存在的通信开销大和安全隐患问题。传统基于服务器的安全聚合协议通常需要服务器在用户之间转发敏感数据，这不仅增加了通信轮次，还引入了数据泄露的风险。NFSA
Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection
论文《Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection》解决了分布式地理数据中范围计数查询的隐私
SAFELearn: Secure Aggregation for private FEderated Learning.
该论文聚焦于联邦学习（FL）中的隐私保护问题。联邦学习作为一种分布式机器学习范式，允许多个客户端在不共享原始数据的前提下，通过聚合服务器联合训练全局模型。然而，现有研究表明，恶意聚合服务器可能通过客户端上传的模型更新发起推理攻击，窃取客户端
ACORN: Input Validation for Secure Aggregation.
本文提出ACORN，一种用于安全聚合协议的输入验证框架。安全聚合允许多方在不泄露各自私密输入的情况下计算聚合结果，但现有方案容易受到恶意参与者的投毒攻击或系统故障导致的错误输入影响。ACORN通过引入高效的零知识证明（ZKP）和分布式验证机
The Capacity of Information-Theoretic Secure Aggregation in Federated Learning
本文研究了联邦学习中信息论安全聚合的容量问题。安全聚合允许服务器在保护用户更新隐私的前提下聚合本地更新。现有信息论问题通常假设由可信第三方（TTP）提供相关随机密钥，或通过预定义的组结构生成，但建立这些相关密钥的通信成本常被忽略。因此，在通
DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning
本文提出了一种名为 DisAgg 的新型安全聚合协议，用于联邦学习中的隐私保护。在传统联邦学习中，客户端更新直接暴露给中央服务器，存在隐私风险。现有的安全聚合方案虽然能抵御诚实但好奇的服务器，但通常存在通信轮数多、公钥操作重、难以处理客户端
Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning.
本文提出 Flamingo，一种用于大规模客户端数据安全聚合的系统，特别针对联邦学习中的多轮聚合场景。联邦学习中，服务器需要多次对客户端提交的模型权重进行求和（平均）以训练模型，但必须保证不泄露任何客户端的个体输入。现有协议如 Bell e
RoFL: Robustness of Secure Federated Learning.
联邦学习（FL）面临诸多安全攻击，但学界对其根本原因及有效防御缺乏整体理解。本文系统剖析了现有定向攻击的内部机制，揭示了攻击可行的原因在于：机器学习算法对尾部数据的记忆需求对FL完整性产生重大影响——这一现象此前主要被研究为隐私问题，本文首
WhiteCloak: How to Hold Anonymous Malicious Clients Accountable in Secure Aggregation?
本文提出了一种名为 WhiteCloak 的协议，旨在解决联邦学习安全聚合场景下匿名恶意客户端的问责问题。在安全聚合中，客户端数据通过加密手段聚合，保护了用户隐私，但也使得恶意客户端可以匿名破坏模型而不被追责。WhiteCloak 通过一种