EIFL：联邦学习全局模型隐私与完整性保护新方法
热点事件观察中
EIFL：联邦学习全局模型隐私与完整性保护新方法
1 篇报道1 个报道来源3 天前更新
先了解这件事
AI 综述
研究者提出名为 EIFL 的联邦学习方法，用于同时保护全局模型的输出隐私与完整性，抵御不可信服务器返回被篡改的全局模型。 该方法采用两阶段聚合并结合对称加密保护输出隐私，基于向量内积实现高效完整性验证；客户端通过随机向量生成就辅助信息达成一致，将辅助信息与输出完整性绑定，从而无需再对服务器保密，并可用简单重发机制应对验证阶段的客户端掉线。
AI 根据报道生成 · 2 天前更新
最新进展10月8日 16:47
EIFL：在联邦学习中高效保护全局模型隐私与完整性、抵御不可信服务器报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv 隐私论文EIFL：在联邦学习中高效保护全局模型隐私与完整性、抵御不可信服务器
针对联邦学习中不可信服务器可能返回被篡改的全局模型、且现有验证方案依赖客户端预先协商并保密的辅助信息（一旦泄露即可被绕过）的问题，研究者提出 EIFL。该方法采用两阶段聚合并结合对称加密保护输出隐私，基于向量内积实现高效完整性验证，并用随机向量生成让客户端就辅助信息达成一致，将辅助信息与输出完整性绑定，无需再对服务器保密，同时通过简单重发机制抵御验证阶段的客户端掉线。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。