VFL：一种用于工业物联网大数据的隐私保护可验证联邦学习

由于大数据强大的分析能力，深度学习已被广泛应用于工业物联网（IoT）中收集数据的建模。然而，由于隐私问题，传统的数据收集集中学习不适用于对训练集敏感的工业场景，例如人脸识别和医疗系统。最近，联邦学习受到了广泛关注，因为它通过仅共享梯度而不访问训练集来训练模型。但现有的研究表明，共享的梯度仍然保留了训练集的敏感信息。更糟的是，恶意的聚合服务器可能返回伪造的聚合梯度。在本文中，我们提出了VFL，这是一种用于工业物联网大数据的隐私保护可验证联邦学习。具体而言，我们使用拉格朗日插值法精心设置插值点，以验证聚合梯度的正确性。与现有方案相比，VFL的验证开销保持不变，无论参与者的数量如何。此外，我们采用了盲化技术来保护隐私梯度的隐私。如果不超过n-2个参与者与聚合服务器勾结，VFL可以保证其他参与者的加密梯度不会被反转。实验评估证实了所提出的VFL在准确性和效率方面的实际表现。