프라이버시 침해 없이 연합 학습을 위한 비잔틴 회복력 있는 안전 집계

연합 학습(FL)은 대규모 기계 학습에서 큰 가능성을 보여주지만, 프라이버시와 보안 측면에서 새로운 위험을 동반합니다. 우리는 사용자의 데이터를 연합자와 다른 사용자로부터 비공개로 유지하면서 비잔틴 사용자에 대한 회복력을 제공하는 FL을 위한 새로운 계획인 ByITFL을 제안합니다. 이 계획은 악의적인 사용자를 신뢰 점수(TS)를 통해 허용하는 기존의 비프라이버시 FLTrust 계획을 기반으로 하며, 신뢰 점수는 사용자의 기울기를 약화하거나 증폭합니다. 신뢰 점수는 ReLU 함수에 기반하며, 우리는 이를 다항식으로 근사합니다. ByITFL의 분산 및 프라이버시 보존 계산은 라그랑주 코딩 컴퓨팅, 검증 가능한 비밀 분배 및 재무세화 단계를 조합하여 설계되었습니다. ByITFL은 정보 이론적 프라이버시를 완전히 갖춘 FL을 위한 최초의 비잔틴 회복력 있는 계획입니다.