面向纵向联邦学习的隐私保护数据对齐框架

DOI码：

10.11999/JEIT231234

发表刊物：

电子与信息学报

刊物所在地：

北京,中国

关键字：

纵向联邦学习,数据对齐,隐私保护,可交换加密,同态加密

摘要：

纵向联邦学习中，各个客户端持有的数据集中包含有重叠的样本ID和不同维度的样本特征，需要进行数据对齐以适应模型训练。现有数据对齐技术一般将各方样本ID交集作为公开信息，如何在不泄露样本ID交集的前提下实现数据对齐成为亟需解决的问题。基于可交换加密和同态加密技术，该文构造了隐私保护的数据对齐框架ALIGN，包括数据加密、密文盲化、密文求交和特征拼接等步骤，使得相同的原始样本ID经过双重可交换加密可变换为相同的密文，并且对样本特征经同态加密后又进行了盲化处理。ALIGN框架能够对参与方样本ID的密文求交，将交集内样本ID对应的全部特征数据进行拼接并以秘密分享形式分配给参与方。相比现有数据对齐技术，该框架不仅能够保护样本ID交集的隐私性，同时能安全地删除样本ID交集外的样本信息。对ALIGN框架的安全性证明表明，除数据规模外，各客户端不能通过数据对齐获得关于对方数据的任何信息，保证了隐私保护策略的有效性。与现有工作相比，每增加10%的冗余数据，ALIGN框架利用所得数据对齐结果可将模型训练时间缩短约1.3秒，将模型训练准确度稳定在85%以上。仿真实验结果表明，通过ALIGN框架进行纵向联邦学习数据对齐，有利于提升后续模型训练的效率和模型准确度。

合写作者：

谢雨欣, 邓煌昊, 朱祖坤, 张一余

第一作者：

高莹

论文类型：

期刊论文

通讯作者：

高莹

卷号：

46

期号：

8

页面范围：

3419-3427

ISSN号：

1009-5896

是否译文：

否

CN号：

11-4494/TN

发表时间：

2024-08-10