Efficient Secure Aggregation for Privacy-Preserving Federated Machine Learning
针对联邦学习安全聚合中通信与计算开销大的问题，提出e-SeaFL协议，利用辅助节点和同态向量承诺实现单轮通信的可验证聚合，效率较现有最优方法提升一个数量级。
2024-11-08 cs.CR
Integration of Federated Learning and Blockchain in Healthcare: A Tutorial
Montreal Blockchain Lab, University of Montreal（蒙特利尔区块链实验室，蒙特利尔大学）；School of Electrical Engineering and Computer Science, University of Ottawa（渥太华大学电气与计算机工程学院）
本文探讨联邦学习与区块链在医疗领域的整合，通过三种架构平衡去中心化、可扩展性和可靠性，提升数据安全性和协作效率。
2024-04-15 cs.CR
Private Data Leakage in Federated Human Activity Recognition for Wearable Healthcare Devices
本文针对可穿戴设备联邦人类活动识别的隐私隐患，提出含恶意参数服务器的联邦架构，研究基于模型泛化差异的成员推理攻击，在5个公开HAR数据集上攻击准确率达92%，证实了相关隐私风险。
2024-06-20 cs.CR
Advances in Privacy Preserving Federated Learning to Realize a Truly Learning Healthcare System
本文提出将隐私保护联邦学习（PPFL）整合进医疗生态系统，以解决数据共享与隐私保护难题，实现医学研究所定义的真正学习型医疗系统。
2024-09-29 cs.CR cs.DC
CHEM: Efficient Secure Aggregation with Cached Homomorphic Encryption in Federated Machine Learning Systems
虽然同态加密可以被合并到神经网络层中以保护机器学习任务，例如在联邦学习中对加密数据样本和加密本地模型的机密推断，但计算开销一直是致命弱点。本文提出了一种缓存协议，即CHEM，张量密文可以从一个池的缓存的基数，而不是执行昂贵的加密操作构建。从理论的角度来看，我们证明了CHEM是语义安全的，并可以在实际的假设下进行简单的分析参数化。在三种常用的公共数据集上的实验结果表明，采用CHEM算法仅产生亚秒级的加密开销，但在机密推理中对输入数据样本进行编码时，加密代价降低了48%~ 89%，在联邦学习中对局部模型进行编码时，加密代价降低了67%~ 87%.
2022-12-22 cs.CR
FedCIP: Federated Client Intellectual Property Protection with Traitor Tracking
针对联邦学习中服务器隐私推理与恶意客户端持续模型窃取问题，本文提出兼容安全聚合且可追踪叛徒的 FedCIP 客户端知识产权保护方案。
2023-06-02 cs.CR
Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning
针对联邦学习中服务器可能利用梯度反转侵犯隐私或操纵聚合结果的问题，提出一种基于伪随机函数和非共谋双服务器架构的轻量级可验证安全聚合方案，在保持通信开销与明文聚合相当且验证标签大小恒定的同时，实现用户隐私保护、端到端安全聚合及验证，并显著降低用户计算和验证开销。
2026-08-25 cs.CR
Federated Learning for Healthcare Domain - Pipeline, Applications and Challenges
Saama AI Research（萨马人工智能研究院）
联邦学习是在分布于数据中心（如医院、临床研究实验室和移动设备）的数据集上开发机器学习模型，同时防止数据泄露的过程。本调查调查了医疗保健领域以前关于联邦学习的研究，涉及一系列用例和应用。我们的调查显示了从业者在联邦学习主题中应该意识到的挑战、方法和应用。本文旨在列出现有的研究，并列出医疗保健行业联邦学习的可能性。
2022-11-19 cs.AI cs.CR cs.DC
Trustworthy Privacy-preserving Hierarchical Ensemble and Federated Learning in Healthcare 4.0 with Blockchain
本文提出一种基于安全多方计算与区块链的集成联邦学习方法，解决医疗4.0中因隐私限制和机构异构性导致的AI应用滞后问题，实现异构模型协作学习并保障数据完整性与可审计性。
2023-05-16 cs.AI cs.CR
Secure Aggregation Is Not All You Need: Mitigating Privacy Attacks with Noise Tolerance in Federated Learning
National Taiwan University（台湾大学）
联邦学习是一种协作方法，旨在创建AI模型的同时保护数据隐私。当前的联邦学习方法往往严重依赖于安全聚合协议来保护数据隐私。然而，在某种程度上，这样的协议假设编排联邦学习过程的实体（即，服务器）并非完全恶意或不诚实。我们调查安全聚合的漏洞，如果服务器是完全恶意的，并试图获得访问私人，潜在的敏感数据可能会出现。此外，我们还提供了一种方法来进一步防御这种恶意服务器，并证明了在联邦学习设置中重建数据的已知攻击的有效性。
2022-11-10 cs.AI cs.CR
Eluding Secure Aggregation in Federated Learning via Model Inconsistency
EPFL（洛桑联邦理工学院）；Aarhus University（奥胡斯大学）；George Mason University（乔治梅森大学）
安全聚合是一种加密协议，它安全地计算其输入的聚合。在联邦学习中，它是保持模型更新私密性的关键。事实上，使用安全聚合可以防止服务器了解用户提供的单个模型更新的值和来源，从而阻碍推理和数据归因攻击。在这项工作中，我们表明，恶意服务器可以很容易地逃避安全聚合，如果后者没有到位。我们设计了两种不同的攻击，能够推断个人私人训练数据集上的信息，独立于参与安全聚合的用户数量。这使得它们在大规模、真实世界的联邦学习应用中成为具体的威胁。无论使用何种安全聚合协议，攻击都是通用的，同样有效。他们利用了联邦学习协议的一个漏洞，该漏洞是由安全聚合的不正确使用和缺乏参数验证引起的。我们的工作表明，目前实现的联邦学习与安全聚合只提供了一个“虚假的安全感”。
2022-09-06 cs.CR cs.LG
Dim-Krum: Backdoor-Resistant Federated Learning for NLP with Dimension-wise Krum-Based Aggregation
Peking University（北京大学）
尽管联邦学习具有潜力，但众所周知，它容易受到后门攻击的攻击。许多健壮的联邦聚合方法被提出来降低潜在的后门风险。然而，它们主要在CV领域得到验证。本文发现NLP后门比CV更难防御，并从理论上分析了恶意更新检测错误概率由后门的相对强度决定。NLP攻击往往具有较小的相对后门强度，这可能导致NLP攻击的健壮联邦聚合方法失败。受理论结果的启发，我们可以选择一些具有较高后门强度的维度来解决这个问题。提出了一种新的面向NLP任务的联邦聚合算法Dim-Krum，实验结果验证了该算法的有效性。
2022-10-13 cs.CR cs.LG
Robust Federated Learning with Attack-Adaptive Aggregation
The Hong Kong University of Science and Technology（香港科技大学）
联邦学习容易受到各种攻击，如模型中毒和后门攻击，即使使用一些现有的防御策略。为了应对这一挑战，我们提出了一种攻击自适应聚合策略，以抵御各种攻击的鲁棒联邦学习。所提出的方法是基于训练一个神经网络的注意力机制，学习联邦学习模型的脆弱性，从一组看似合理的攻击。据我们所知，我们的聚合策略是第一个可以以数据驱动的方式防御各种攻击的策略。在图像和文本数据集上的联邦学习任务中，我们的方法在防御模型中毒和后门攻击方面取得了有竞争力的性能。
2021-08-06 cs.CR cs.LG
A blockchain-orchestrated Federated Learning architecture for healthcare consortia
ConsenSys Health；Imperial College London（帝国理工学院）；UC San Diego（加州大学圣地亚哥分校）；Johns Hopkins Berman Institute of Bioethics（约翰斯·霍普金斯大学伯曼生物伦理研究所）
我们提出了一种新的架构，联邦学习在医疗联盟。该解决方案的核心是隐私保护技术的独特集成，建立在以太坊生态系统中可用的本地企业区块链组件之上。我们展示了医疗联盟的具体特征和挑战如何影响我们的设计选择，特别是一个新的安全聚合协议的概念，该协议由受保护的硬件组件和以太坊本地的加密工具包组成。我们的架构还引入了隐私保护审计跟踪，记录网络中的事件，而不会泄露身份。
2019-10-12 cs.CR cs.CY cs.LG
Fairness and Privacy in Federated Learning and Their Implications in Healthcare
University of Virginia（弗吉尼亚大学）
本文综述医疗场景下公平联邦学习的生命周期，提出更新的公平性分类，并分析隐私保护、非iid数据、通信开销与客户端异构性带来的实现挑战。
2023-08-15 cs.CR cs.LG
Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture
Istanbul University-Cerrahpasa（伊斯坦布尔大学-切尔拉帕萨分校）；Queen’s University（女王大学）
本文提出结合本地差分隐私、安全多方计算安全聚合与 DPResNet 的联邦医学影像分类框架，并在 BloodMNIST 跨医院场景中验证其可在严格保密下取得接近非隐私模型的性能。
2024-12-01 cs.CR cs.LG
Buffered Asynchronous Secure Aggregation for Cross-Device Federated Learning
National Key Laboratory for Novel Software Technology（计算机软件新技术国家重点实验室）；Nanjing University（南京大学）
本文提出缓冲异步安全聚合协议BASA，使异步联邦学习在无需用户间同步交互和额外硬件条件下实现安全聚合，并在训练效率和可扩展性上优于现有协议。
2024-06-05 cs.AI cs.CR cs.LG
Efficient Differentially Private Secure Aggregation for Federated Learning via Hardness of Learning with Errors
University of Vermont（佛蒙特大学）；MassMutual（万通互惠）；Raytheon（雷神公司）
联邦机器学习利用边缘计算从网络用户数据开发模型，但联邦学习中的隐私仍然是一个重大挑战。已经提出了使用差分隐私的技术来解决这个问题，但也带来了自己的挑战--许多技术需要可信的第三方，否则会增加太多的噪音来产生有用的模型。使用多方计算的\emph{secure aggregation}的最新进展消除了对第三方的需要，但计算成本高，特别是在规模上。我们提出了一个新的联邦学习协议，利用一种新的差分私有，恶意的安全聚合协议的基础上，从错误的学习技术。我们的协议优于当前最先进的技术，经验结果表明，它可以扩展到大量的缔约方，具有最佳的准确性，任何差异私人联邦学习计划。
2021-12-13 cs.CR cs.LG
A Secure Healthcare 5.0 System Based on Blockchain Technology Entangled with Federated Learning Technique
National College of Business Administration and Economics（国家工商经济学院）；Riphah International University（里法哈国际大学）；Skyline University College（天际线大学学院）；Universiti Kebangsaan Malaysia（马来西亚国民大学）；Gachon University（加川大学）；Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克理工大学）；Obuda University（欧布达大学）；TU-Dresden（德累斯顿工业大学）
近年来，全球医疗物联网（IoMT）行业以惊人的速度发展。由于IoMT网络的巨大规模和部署，安全和隐私是IoMT的关键问题。机器学习（ML）和区块链（BC）技术显著增强了医疗5.0的功能和设施，催生了一个名为“智能医疗”的新领域。“通过及早发现问题，智能医疗保健系统可以帮助避免长期损害。这将提高患者的生活质量，同时减少他们的压力和医疗费用。IoMT在信息技术领域实现了一系列功能，其中之一是智能和交互式医疗保健。然而，将医疗数据组合到单个存储位置以训练强大的机器学习模型引起了对隐私、所有权和更大集中的合规性的担忧。联邦学习（FL）通过使用集中式聚合服务器来传播全局学习模型来克服上述困难。同时，本地参与者控制患者信息，确保数据的机密性和安全性。本文对区块链技术与医疗保健领域的联邦学习纠缠在一起的研究结果进行了全面分析。5.0.本研究的目的是通过利用区块链技术和入侵检测系统（IDS）来构建医疗保健5.0中的安全健康监测系统，以检测医疗保健网络中的任何恶意活动，并使医生能够通过医疗传感器监测患者，并通过预测疾病定期采取必要的措施。
2022-09-16 cs.CR cs.LG
Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation
针对联邦推荐中的嵌入偏斜问题，本文提出FedCA模型，通过同时聚合相似客户端和互补客户端来更新已训练与未训练嵌入，并设计统一优化算法联合学习相似性与互补性，实验验证了其有效性。
2024-06-06 cs.CR cs.IR
Security and Privacy Issues and Solutions in Federated Learning for Digital Healthcare
Sungkyunkwan University（成均馆大学）
本文针对数字医疗中联邦学习因服务器与客户端多轮通信而扩大的攻击面，系统梳理其脆弱性、攻击方式与防御方案，并指出未来构建更鲁棒联邦学习的研究方向。
2024-01-16 cs.AI cs.CR
Moss: Proxy Model-based Full-Weight Aggregation in Federated Learning with Heterogeneous Models
Peking University（北京大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对异构模型联邦学习中部分聚合导致精度低、开销大的问题，提出基于代理模型的全权重聚合方法 Moss，在训练速度、能耗、精度和带宽方面均优于现有基线。
2025-03-13 cs.CR cs.LG
Practical Secure Aggregation for Federated Learning on User-Held Data
安全聚合协议允许相互不信任的各方的集合，每个人都持有一个私有值，以协作方式计算这些值的总和，而不会泄露这些值本身。我们考虑在联邦学习模型中训练深度神经网络，在移动设备上的用户持有的训练数据中使用分布式随机梯度下降，其中安全聚合保护每个用户的模型梯度。我们设计了一种新颖的，通信效率高的安全聚合协议，允许高达1/3的用户无法完成协议的高维数据。对于16位输入值，我们的协议为$2^{10}$用户和$2^{20}$维向量提供了1.73倍的通信扩展，为$2^{14}$用户和$2^{24}$维向量提供了1.98倍的扩展。
2016-11-14 cs.CR stat.ML
MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare
Independent Researcher, USA（独立研究者）
针对医疗联邦学习的隐私与通信效率需求，提出MedHE框架，结合自适应梯度稀疏化（含动态阈值与误差补偿）与CKKS加密，实现97.5%通信量减少、ε≤1.0的差分隐私及与标准联邦学习相当的准确率，支持合规且可扩展的医疗部署。
2025-11-12 cs.AI cs.CR
A Secure Aggregation for Federated Learning on Long-Tailed Data
University of Technology Sydney（悉尼科技大学）；CSIRO（联邦科学与工业研究组织）；Zhejiang Lab（之江实验室）
针对联邦学习中长尾数据分布与拜占庭模型攻击并存的问题，提出一种两层安全聚合方法，借助“智库”机制剔除恶意模型并筛选含尾类信息的有价值模型。
2023-07-17 cs.CR cs.LG
On Using Secure Aggregation in Differentially Private Federated Learning with Multiple Local Steps
University of Helsinki（赫尔辛基大学）；Telefónica Research（西班牙电信研究机构）
本文提出一种新分析方法，使联邦学习在多个本地步骤中仍能利用安全聚合，从而在有限通信轮数下实现更高实用性的模型并保证隐私保护。
2025-03-24 cs.CR cs.LG
Encoded Gradients Aggregation against Gradient Leakage in Federated Learning
University of Electronic Science and Technology of China（电子科技大学）；Peng Cheng Lab（鹏城实验室）；Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院）；The Chinese University of Hong Kong（香港中文大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
联邦学习使孤立的客户端能够通过聚合本地计算的梯度更新来协作地训练共享模型。然而，隐私信息可能会从上传的梯度中泄露，并暴露给恶意攻击者或诚实但好奇的服务器。虽然加性同态加密技术保证了该过程的安全性，但它给FL参与者带来了不可接受的计算和通信负担。为了减轻这种成本的安全聚合和保持学习性能，我们提出了一个新的框架，称为编码梯度聚合（\emph{EGA}）。详细地说，EGA首先将局部梯度更新编码到编码域中，在服务器中聚合之前，在每个客户端中注入噪声。然后，可以经由解码函数恢复编码的梯度聚合结果以用于全局模型更新。该方案可以防止单个客户端的原始梯度暴露在互联网上，并使服务器不知道它们。EGA可以在不同的噪声水平下提供优化和通信的好处，并防止梯度泄漏。我们进一步提供了近似误差及其对联邦优化的影响的理论分析。此外，EGA与大多数联邦优化算法兼容。我们进行了密集的实验，以评估EGA在现实世界的联邦设置，结果表明其有效性。
2023-02-25 cs.CR cs.LG
Byzantine-Robust Federated Learning Framework with Post-Quantum Secure Aggregation for Real-Time Threat Intelligence Sharing in Critical IoT Infrastructure
本文提出一种结合后量子安全聚合的联邦学习框架，用于关键物联网基础设施中实时威胁情报共享，通过自适应加权聚合和基于格的加密协议，有效防御拜占庭攻击和量子威胁。
2026-01-03 cs.CR cs.LG
Efficient Sparse Secure Aggregation for Federated Learning
Owkin Inc.（Owkin公司）
联合学习使人们能够跨持有敏感数据集的分布式客户端联合训练机器学习模型。在现实世界中，这种方法受到昂贵的通信和隐私问题的阻碍。这两个挑战都已经得到了单独解决，从而导致了相互竞争的优化。在这篇文章中，我们第一次同时处理它们。更确切地说，我们适应基于压缩的联邦技术添加剂秘密共享，导致一个有效的安全聚合协议，具有自适应的安全级别。我们证明了它的隐私对恶意的对手和它的正确性，在半诚实的设置。在深度卷积网络上的实验表明，我们的安全协议以低通信成本实现了高准确性。与以前的安全聚合工作相比，我们的协议具有较低的通信和计算成本，类似的准确性。
2021-10-18 cs.CR cs.LG stat.ML
Bit-efficient Numerical Aggregation and Stronger Privacy for Trust in Federated Analytics
边缘设备（从智能手机到汽车电子产品）生成的私人数据在聚合时具有高度的信息性，但在处理不当时可能会造成破坏。各种解决方案正在探索中，但尚未赢得公众的信任和移动平台的全力支持。在这项工作中，我们提出了数值聚合协议，经验上改进现有技术，同时提供可比的本地差分隐私保证。每个值共享单个私有位支持隐私计量，其实现了未被差分隐私覆盖的隐私控制和保证。我们把重点放在易于实施，与现有方法的兼容性，和令人信服的经验表现。
2021-08-03 cs.CR cs.DS
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Trinity College Dublin（都柏林圣三一学院）
快速识别新的网络攻击模式对于提高网络安全性至关重要。然而，识别异构网络中正在进行的攻击是一项不平凡的任务。联邦学习是入侵检测系统协同训练的一种解决方案。基于联邦学习的IDS使用联邦参与者提供的本地机器学习模型来训练全局模型，而不共享本地数据。然而，优化挑战是联邦学习固有的。本文提出了联邦模拟退火（FedSA）元启发式选择超参数和一个子集的参与者为每一个聚合轮联邦学习。FedSA优化与全局模型收敛相关的超参数。该提案减少了聚合轮数，加快了收敛速度。因此，FedSA加速了从本地模型中提取学习，需要更少的IDS更新。提案评估表明，FedSA全球模型在不到10轮的沟通中收敛。与传统的聚合方法相比，该提案需要减少多达50%的聚合轮次才能实现约97%的攻击检测准确率。
2022-05-23 cs.CR cs.LG
Meta-FL: A Novel Meta-Learning Framework for Optimizing Heterogeneous Model Aggregation in Federated Learning
Oregon State University（俄勒冈州立大学）
针对联邦学习的数据异构与模型多样问题，提出基于优化元聚合器的Meta-FL框架，利用元特征实现适配性聚合，在医疗数据集上性能优于传统方法，兼具高效性与可扩展性。
2024-06-23 cs.CR cs.LG
RFLPA: A Robust Federated Learning Framework against Poisoning Attacks with Secure Aggregation
National University of Singapore（新加坡国立大学）
针对安全聚合与投毒防御不兼容问题，本文提出RFLPA框架，利用余弦相似度、可验证打包Shamir秘密共享和新型点积聚合实现鲁棒防御，并较BREA降低逾75%开销。
2024-10-26 cs.AI cs.CR
Aggregation Service for Federated Learning: An Efficient, Secure, and More Resilient Realization
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Monash University（莫纳什大学）；City University of Hong Kong（香港城市大学）；RMIT University（皇家墨尔本理工大学）
联邦学习最近已经成为一种范式，它有望利用来自不同来源的丰富数据来训练高质量模型，其显著特征是训练数据集永远不会离开本地设备。只有模型更新是本地计算和共享的，用于聚合以生成全局模型。虽然联邦学习与使用集中式数据学习相比大大消除了隐私问题，但共享模型更新仍然会带来隐私风险。在本文中，我们提出了一种系统设计，它提供了有效的保护，在整个学习过程中的个人模型更新，允许客户端只提供模糊的模型更新，而云服务器仍然可以执行聚合。我们的联邦学习系统首先通过支持轻量级加密和聚合以及对退出客户的恢复能力而与以前的工作不同，而不会影响他们在未来几轮中的参与。同时，以前的工作在很大程度上忽略了密文域的带宽效率优化和对主动对抗云服务器的安全支持，本文也充分探讨了这一点，并提供了有效和高效的机制。在几个基准数据集（MNIST，CIFAR-10和CelebA）上的广泛实验表明，我们的系统达到了与明文基线相当的准确性，具有实际性能。
2022-02-04 cs.AI cs.CR
Federated Learning for Privacy Preservation in Smart Healthcare Systems: A Comprehensive Survey
University of Quebec（魁北克大学）；ETS（高等技术学院）；Princeton University（普林斯顿大学）
电子设备和通信基础设施的最新进展已经通过使用IoMT设备将传统医疗保健系统彻底改变为智能医疗保健系统。然而，由于人工智能（AI）的集中式训练方法，移动和可穿戴IoMT设备的使用引起了关于医院和最终用户之间已经通信的信息的隐私问题。IoMT设备传递的信息是高度机密的，可能会暴露给对手。在这方面，联邦学习（FL），一种分布式AI范式，为IoMT中的隐私保护开辟了新的机会，而无需访问参与者的机密数据。此外，FL为最终用户提供隐私，因为在训练期间仅共享梯度。针对FL的这些特定属性，本文提出了IoMT中的隐私相关问题。之后，我们介绍了FL在IoMT网络中用于隐私保护的作用，并介绍了一些先进的FL架构，包括深度强化学习（DRL），数字孪生和生成对抗网络（GANs）用于检测隐私威胁。随后，我们提出了FL在智能医疗系统中的一些实际机会。最后，我们通过为FL提供可用于未来智能医疗保健系统的开放研究挑战来结束本次调查
2022-03-18 cs.CR cs.LG cs.SY
Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review
Islamic University（伊斯兰大学）；University of Oklahoma（俄克拉荷马大学）；Government College of Applied Human Science（应用人文科学政府学院）；IIIT Delhi（德里印度信息技术学院）
本系统综述评估了联邦学习在医疗保健中的应用，分析了模型安全实践、挑战及应用，并指出了提升数据隐私和扩展应用范围的未来研究方向。
2024-05-22 cs.AI cs.CR cs.LG
Robust Aggregation for Federated Learning
University of Washington（华盛顿大学）；Harvard University（哈佛大学）
提出基于几何中位数的鲁棒聚合方法，使联邦学习在部分设备发送损坏更新时保持鲁棒性，且在高低损坏程度下均表现优异。
2022-01-17 cs.CR cs.LG stat.ML
Secure Aggregation with Top-K Sparsification in Decentralized Federated Learning
Southwest Jiaotong University（西南交通大学）
针对去中心化联邦学习中带宽有限和节点不可靠的问题，提出一种结合Top-K梯度稀疏化的信息论安全聚合方案，通过离线阶段处理维度相关开销，使用随机掩码和排列保护梯度，在1%稀疏率下保持精度并显著降低通信成本。
2026-06-09 cs.CR cs.IT cs.LG
Try to Avoid Attacks: A Federated Data Sanitization Defense for Healthcare IoMT Systems
South China University of Technology（华南理工大学）
医疗IoMT系统正在变得智能化、小型化，并且更加融入日常生活。对于IoMT中的分布式设备，联邦学习在满足数据安全性时已成为基于云的训练过程的热门领域。然而，IoMT的分发存在保护免受数据投毒攻击的风险。可以通过伪造医疗数据来制造有毒数据，这迫切需要对IoMT系统进行安全防御。由于缺乏特定的标签，恶意数据的过滤是一个独特的无监督场景。其中一个主要的挑战是找到强大的数据过滤方法的各种中毒攻击。本文介绍了一种新的方法，以保护系统免受数据投毒攻击的联邦数据净化防御。为了解决这个无监督的问题，我们首先使用联邦学习将所有数据投影到子空间域，由于数据存储在本地，因此可以建立统一的特征映射。然后，我们采用联邦聚类重新组合他们的功能，澄清中毒的数据。聚类是基于数据及其语义的一致性关联。在我们得到私有数据的聚类之后，我们用一个简单而有效的策略进行数据清理。最后，分布式ImOT的每个设备都可以根据联邦数据清理来过滤恶意数据。大量的实验进行评估的有效性，提出的防御方法对数据投毒攻击。此外，我们考虑我们的方法在不同的中毒率，并实现了较高的准确性和较低的攻击成功率。
2022-11-03 cs.CR cs.DC cs.LG
Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
School of Computing, Newcastle University（新castle大学计算机学院）；Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）；Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（上海智能自主系统研究所，同济大学）；College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院）；University College London Hospital（伦敦大学学院医院）
本文提出一种基于区块链联邦学习的多洲医疗建模框架，在不共享本地数据的情况下利用欧洲、北美和亚洲数据集进行血糖管理预测，实验证明其有效、高效且保护隐私，性能优于局部模型并接近集中式训练。
2025-10-09 cs.AI cs.CR cs.LG
Sparsified Secure Aggregation for Privacy-Preserving Federated Learning
University of California, Riverside（加州大学河滨分校）
安全聚合是隐私保护联邦学习中的一种流行协议，它允许模型聚合，而不会公开单个模型。另一方面，传统的安全聚合协议会产生显著的通信开销，这可能成为现实世界中带宽受限应用的主要瓶颈。为了解决这一挑战，在这项工作中，我们提出了一个轻量级的梯度稀疏化框架的安全聚合，其中服务器从大量的用户学习稀疏化的本地模型更新的聚合，但不学习个别参数。我们的理论分析表明，所提出的框架可以显着减少安全聚合的通信开销，同时确保相当的计算复杂性。我们进一步确定了由于稀疏化的隐私和通信效率之间的权衡。我们的实验表明，与传统的安全聚合基准相比，我们的框架将通信开销降低了7.8倍，同时还将挂钟训练时间加快了1.13倍。
2021-12-23 cs.CR cs.DC cs.IT
Privacy Preserving and Robust Aggregation for Cross-Silo Federated Learning in Non-IID Settings
University of Pavia（帕维亚大学）
针对非独立同分布数据下FedAvg性能下降及传输元数据引发的隐私风险，提出类感知梯度掩码聚合策略，仅依赖梯度更新增强隐私保护，并基于类别重要性动态加权客户端贡献，有效提升了模型对非独立同分布、收敛阻止及后门攻击的鲁棒性。
2025-03-06 cs.AI cs.CR cs.LG
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Quality Inference in Federated Learning with Secure Aggregation
Budapest University of Technology and Economics（布达佩斯技术与经济大学）
本文证明在联邦学习应用安全聚合后仍可推断个体数据集质量，并通过图像识别实验实现参与者质量排序，用于检测不当行为、稳定训练和衡量个体贡献。
2023-05-25 cs.CR cs.LG stat.ML
Federated Learning with Autotuned Communication-Efficient Secure Aggregation
Google（谷歌）；California Institute of Technology（加州理工学院）
联邦学习使移动设备能够协作学习共享的推理模型，同时将所有训练数据保存在用户的设备上，从而将进行机器学习的能力与将数据存储在云中的需求解耦。现有的关于有限通信的联邦学习的工作演示了随机旋转如何使用户的模型更新能够更有效地量化，从而降低用户和服务器之间的通信成本。同时，安全聚合使服务器能够学习至少阈值数量的设备的模型贡献的聚合，而无需观察任何单独设备的非聚合形式的贡献。在本文中，我们强调了设置安全聚合参数以实现通信效率的一些挑战，特别是在随机旋转实现的积极量化输入的背景下。然后，我们开发了一个自动调整通信高效的安全聚合的配方，基于随机旋转和安全聚合的特定属性-即旋转后矢量条目的可预测分布和安全聚合中固有的模块化包装。我们提出的理论结果和初步实验。
2019-11-30 cs.CR cs.DC cs.LG
Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
University of South-Eastern Norway（东南挪威大学）
该研究针对临床EEG数据联邦学习的隐私泄露问题，提出以掩码安全聚合为核心的隐私保护框架，经模拟医疗场景验证，半诚实变体开销低，恶意变体安全性强但开销更高。
2026-09-09 cs.CR cs.DC cs.LG
Progressive-Resolution Secure Aggregation for Federated Learning
Chalmers University of Technology（查尔姆斯理工大学）
本文提出渐进分辨率安全聚合（PSA），使客户端仅上传一次，即可在无需重新参与的情况下，按需授权获取同一聚合的逐步更精细分辨率，通过嵌套格码与附加聚合填充实现安全性。
2026-10-02 cs.CR cs.DC cs.IT
BACSA: A Bias-Aware Client Selection Algorithm for Privacy-Preserving Federated Learning in Wireless Healthcare Networks
针对无线医疗网络中联邦学习因非IID数据偏见导致性能下降的问题，提出偏见感知客户端选择算法BACSA，通过检测偏见并优化客户端选择，提升收敛性和准确性，兼顾隐私、公平与网络约束。
2024-11-01 cs.AI cs.CR cs.LG
Two-Bit Aggregation for Communication Efficient and Differentially Private Federated Learning
Amirkabir University（阿米尔卡比尔理工大学）；Virginia Tech（弗吉尼亚理工大学）
在联邦学习（FL）中，机器学习模型以分散的方式在多个节点上训练，同时保持数据本地化，不与其他节点共享。然而，FL要求节点还将关于模型参数的信息发送到中央服务器以进行聚合。然而，从节点发送到服务器的信息可能会泄露每个节点本地数据的一些细节，从而引发隐私问题。此外，从节点到服务器的重复上行链路传输可能导致通信开销和网络拥塞。为了解决这两个问题，本文提出了一种新的两比特聚合算法，保证差分隐私和减少上行链路通信开销。大量实验表明，该算法在MNIST、Fashion MNIST、CIFAR-10和CIFAR-100等数据集上可以达到与现有方法相同的性能，同时保证了差分隐私，提高了通信效率.
2021-10-06 cs.CR cs.DC cs.LG
SAFELearning: Enable Backdoor Detectability In Federated Learning With Secure Aggregation
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出SAFELearning框架，通过遗忘随机分组和部分参数披露两个新原语，在联邦学习的安全聚合中实现后门检测，显著降低后门模型准确率且不损害主任务，同时具备高效性和鲁棒性。
2021-09-03 cs.AI cs.CR cs.DC
Turbo-Aggregate: Breaking the Quadratic Aggregation Barrier in Secure Federated Learning
University of Southern California（南加州大学）；University of California, Riverside（加州大学河滨分校）
联邦学习是一种分布式框架，用于在移动设备上的数据上训练机器学习模型，同时保护个人用户的隐私。将联邦学习扩展到大量用户的一个主要瓶颈是跨许多用户的安全模型聚合的开销。特别是，用于安全模型聚合的最新协议的开销随着用户的数量成二次方地增长。在本文中，我们提出了第一个安全的聚合框架，命名为涡轮聚合，在网络中与$N$用户实现了安全的聚合开销$O(N\log{N})$，而不是$O(N^2)$，同时容忍高达$50\%$的用户辍学率。Turbo-Aggregate采用多组循环策略进行有效的模型聚合，并利用附加秘密共享和新颖的编码技术注入聚合冗余，以处理用户退出，同时保证用户隐私。我们的实验表明，涡轮聚合实现了总的运行时间，增长几乎线性的用户数，并提供了高达$40\times$的加速比最先进的协议，高达$N=200$用户。我们的实验还展示了模型大小和带宽对Turbo-Aggregate性能的影响。
2021-02-20 cs.CR cs.DC cs.IT
Secure Embedding Aggregation for Federated Representation Learning
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Lehigh University（理海大学）
本研究针对联邦表示学习中的本地嵌入聚合隐私问题，提出SecureEmbedAgg安全聚合协议，利用全部客户端聚合机会，同时抵御好奇服务器与至多T<N/2个合谋客户端，保障各客户端本地实体与嵌入的隐私。
2023-05-04 cs.CR cs.IT cs.LG
Communication-Computation Efficient Secure Aggregation for Federated Learning
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
联邦学习作为一种使用分布式数据来训练神经网络而不需要各个节点共享数据的方法而受到关注。不幸的是，也已经表明，对手可能能够从联邦学习期间传输的模型参数中提取本地数据内容。基于安全聚合原语的最新解决方案支持隐私保护联邦学习，但代价是大量额外的通信/计算资源。在本文中，我们提出了一个低复杂度的计划，提供数据隐私使用大大减少通信/计算资源相对于现有的安全解决方案。建议方案背后的关键思想是将秘密共享节点的拓扑结构设计为稀疏随机图，而不是与现有解决方案相对应的完整图。我们首先在图上得到了保证可靠性和隐私性的充分必要条件。然后，我们建议特别使用Erdens-Rényi图，并为所提出的方案的可靠性/隐私性提供理论保证。通过广泛的现实世界的实验，我们证明，我们的计划，只使用$20 \sim 30\%$的传统计划中所需的资源，保持几乎相同的水平的可靠性和数据隐私的实际联邦学习系统。
2021-07-12 cs.CR cs.IT cs.LG
