Federated Transformer: Multi-Party Vertical Federated Learning on Practical Fuzzily Linked Data
National University of Singapore（新加坡国立大学）
针对多方模糊标识符下的纵向联邦学习难题，提出 Federated Transformer 框架及融合差分隐私与安全多方计算的隐私机制，在50方场景中准确率最高提升46%。
2024-10-23 cs.AI cs.CR cs.LG
ADCA: Attention-Driven Multi-Party Collusion Attack in Federated Self-Supervised Learning
School of Information and Artificial Intelligence, Yangzhou University（扬州大学信息科学与人工智能学院）；School of Computing and Artificial Intelligence, Chaohu University（巢湖大学计算与人工智能学院）；Tacoma School of Engineering and Technology, University of Washington（华盛顿大学塔科马工程技术学院）
ADCA通过恶意客户端合谋与注意力机制，有效提升联邦自监督学习中的攻击成功率和持久性。
2026-10-16 cs.CR
Parallel Distributed Logistic Regression for Vertical Federated Learning without Third-Party Coordinator
Baidu, Inc.（百度公司）
联邦学习是一种新的分布式学习机制，它允许在不同数据提供者拥有的分散数据的大型语料库上进行模型训练，而不会共享或泄漏原始数据。根据数据分发的特点，通常可以将其分为三大类：水平联邦学习、垂直联邦学习和联邦迁移学习。在本文中，我们提出了一种解决方案，用于垂直联邦学习的并行分布逻辑回归。与现有的作品相比，第三方协调员的作用是删除在我们提出的解决方案。该系统建立在参数服务器体系结构上，目的是在大容量训练数据的情况下，通过利用服务器集群来加快模型训练。我们还评估了并行分布式模型训练的性能，实验结果表明该系统具有很好的可扩展性。
2019-11-22 cs.CR cs.DC cs.LG
Robust and IP-Protecting Vertical Federated Learning against Unexpected Quitting of Parties
Duke University（杜克大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对纵向联邦学习中被动方意外退出导致的性能下降与标签知识产权泄露问题，提出Party-wise Dropout提升模型鲁棒性，并设计DIMIP防御方法有效保护主动方知识产权。
2023-03-28 cs.CR cs.LG
Embedding Asymmetry as Attack Signal: Detecting and Defending Active Label Inference in Vertical Federated Learning
Bangladesh University of Engineering and Technology（孟加拉国工程与技术大学）
该研究针对垂直联邦学习中的主动标签推理攻击，提出利用嵌入不对称性检测攻击的方法，并设计仅作用于攻击者的防御策略，在三类数据集上实现低准确率损失下的攻击防御。
2026-10-14 cs.CR
Privacy-preserving Weighted Federated Learning within Oracle-Aided MPC Framework
本文在Oracle辅助的多方计算（MPC）框架下研究了隐私保护的加权联邦学习。本文的贡献主要包括以下三个方面：在第一个方面，我们称之为加权联邦学习（wFL）的概念被引入和形式化的启发McMahan等人。的开创性论文本文形式化的加权联邦学习概念与McMahan等人提出的概念不同。的文件，因为加法和乘法运算都是在我们的模型中执行密码，而这些操作是在McMahan等人的明文执行。的模型。在第二折，一个甲骨文辅助MPC解决方案计算加权联邦学习形式化解耦的安全性联邦学习系统的底层多方计算。我们的解耦公式可能有利于机器学习开发人员从最先进的安全工具集中选择他们的最佳安全实践;在第三个方面，提出并分析了加权联邦学习问题的具体解决方案。我们实现的安全性是由安全组合定理保证的，假设底层乘法算法是安全的，对诚实但好奇的对手。
2020-04-08 cs.CR
Privacy enabled Financial Text Classification using Differential Privacy and Federated Learning
Manipal Institute of Technology（马尼帕尔理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Yildiz Technical University（耶尔德兹理工大学）
考虑到金融领域，隐私很重要，因为这些数据是高度机密和敏感的。自然语言处理（NLP）技术可以应用于金融领域的文本分类和实体检测目的，例如客户反馈情感分析、发票实体检测、按类型对金融文档进行分类等。由于此类数据的敏感性，需要采取隐私措施来处理和训练具有此类数据的大型模型。在这项工作中，我们提出了一个上下文化的Transformer（BERT和RoBERTa）的文本分类模型集成的隐私功能，如差分隐私（DP）和联邦学习（FL）。我们介绍了如何私下训练NLP模型和理想的隐私-效用权衡，并在金融短语银行数据集上对其进行评估。
2021-10-04 cs.CL cs.CR
DeTrust-FL: Privacy-Preserving Federated Learning in Decentralized Trust Setting
联邦学习已经成为一种隐私保护的机器学习方法，其中多方可以训练单个模型，而无需共享其原始训练数据。联邦学习通常需要利用多方计算技术，通过确保不受信任或好奇的聚合器无法从参与训练过程的各方获得孤立的回复来提供强有力的隐私保证，从而防止潜在的推理攻击。直到最近，人们还认为这些安全聚合技术中的一些足以完全防止来自好奇聚合器的推理攻击。然而，最近的研究表明，一个好奇的聚合器可以成功地发起分解攻击，以了解目标方的模型更新信息。本文介绍了DeTrust-FL，一个有效的隐私保护联邦学习框架，用于解决缺乏透明度，使隔离攻击，如解聚攻击，在安全聚合过程中，通过确保各方的模型更新包括在聚合模型中的私人和安全的方式。DeTrust-FL提出了一种分散的信任共识机制，并结合了最近提出的分散功能加密（FE）方案，其中所有各方在协作生成解密密钥片段之前就参与矩阵达成一致，从而在分散设置中获得对安全聚合过程的控制和信任。我们的实验评估表明，DeTrust-FL在训练时间方面优于最先进的基于FE的安全多方聚合解决方案，并减少了传输的数据量。与现有方法相比，这是在不创建对外部可信实体的任何信任依赖性的情况下实现的。
2022-07-15 cs.CR
Federated 3GPP Mobile Edge Computing Systems: A Transparent Proxy for Third Party Authentication with Application Mobility Support
4G/5G运营商正在部署多路访问或移动边缘计算（MEC），以在较低的带宽上提供计算服务。跨运营商联合MEC扩展了能力、容量和覆盖范围，但对于在漫游期间无需重新认证的连续服务，会产生两个问题-第三方认证和应用移动性。在这项工作中，我们提出了一个联邦状态传输和第三方认证（FS3A）的机制，使用一个透明的代理来传输信息的认证和应用程序的状态跨运营商来解决这些问题。FS3A代理保持透明，具有虚拟对应方，以避免对现有MEC和蜂窝架构进行任何更改。FS3A为用户提供了一个令牌，当由MEC进行身份验证时，该令牌可以在运营商之间重用，以实现更快的身份验证。还提出了订阅和状态的预取，以进一步减少认证和应用移动延迟。我们在基于OpenAirInterface（OAI）的测试平台上对FS3A进行了评估，结果表明，与完全重新认证相比，令牌重用和订阅预取将认证延迟降低了53 - 65%，而与没有预取相比，状态预取将应用程序移动延迟降低了51 - 91%。总体而言，与没有令牌重用和预取相比，FS3A将服务中断时间减少了33%。
2021-12-16 cs.CR cs.NI
Hijack Vertical Federated Learning Models As One Party
College of Computer Science and Technology at Zhejiang University（浙江大学计算机科学与技术学院）；School of Software Technology at Zhejiang University（浙江大学软件学院）；Hefei Interdisciplinary Center, National University of Defense Technology（国防科技大学合肥跨学科中心）；College of Information Science and Technology at Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院）
本文聚焦纵向联邦学习（VFL）场景，指出尽管现有框架依赖密码学保障隐私并推动效率优化，但作为参与一方时模型本身的安全性仍缺乏研究。
2024-02-16 cs.AI cs.CR cs.LG
Federated Heavy Hitter Analytics with Local Differential Privacy
本文针对跨方联邦重击项分析中的隐私、统计异质性和通信成本问题，提出满足ε-LDP的目标对齐前缀树机制，通过自适应扩展和基于共识的剪枝策略提升效用，实验验证其有效性。
2025-01-02 cs.CR cs.DB
Use of Federated Learning and Blockchain towards Securing Financial Services
Howard University（霍华德大学）；University of Kalyani（卡利亚尼大学）
最近几天，一些现有和新的网络攻击的扩散对金融服务的稳定性构成了不言而喻的威胁。很难预测可能引发严重金融危机的攻击的性质。金融服务前所未有的数字化转型在COVID-19疫情期间加速，目前仍在进行中。攻击者正在利用这一转变，对金融稳定和完整性构成新的全球威胁。许多大型组织正在从集中式财务（CeFi）转向分散式财务（DeFi），因为分散式财务具有许多优势。区块链可以对金融部门的可信度，安全性，可访问性，成本效益和开放性产生重大而深远的影响。本文深入探讨了区块链和联邦学习（FL）如何在金融服务中使用。它首先概述了这两个用例的最新发展。本文探讨和讨论了现有的金融服务漏洞，潜在的威胁，以及随之而来的风险。因此，我们解释了金融服务中可以解决的问题，以及区块链和FL如何帮助解决这些问题。这些问题包括数据保护、存储优化和在金融服务中赚更多的钱。我们研究了许多支持区块链的FL方法，并提出了一些可能的解决方案，可用于金融服务，以解决成本效益、自动化和安全控制等挑战。最后，我们指出了一些未来的研究方向。
2023-02-04 cs.AI cs.CR
Privacy-preserving Fuzzy Name Matching for Sharing Financial Intelligence
针对金融机构间数据共享受限的问题，提出基于全同态加密和MinHash签名的隐私保护模糊姓名匹配方案，利用聚类提升效率，仅揭示潜在匹配可能性，搜索性能满足需求且通信开销大幅降低。
2024-11-08 cs.CR
Privacy Against Inference Attacks in Vertical Federated Learning
University of Essex（埃塞克斯大学）；Imperial College London（帝国理工学院）
垂直联邦学习被认为是，其中一个积极的一方，有真正的类标签的访问，希望建立一个分类模型，通过利用更多的功能，从被动的一方，没有访问的标签，以提高模型的准确性。在预测阶段，以逻辑回归作为分类模型，提出了几种推理攻击技术，主动方可以用来重构被动方的被视为敏感信息的特征。这些攻击主要基于集合中心的经典概念，即，Chebyshev中心，被证明是优于文献中提出的。此外，为上述攻击提供了几种理论性能保证。随后，我们考虑的最小量的信息，对手需要完全重建被动方的功能。特别是，它表明，当被动方持有一个功能，对手只知道所涉及的参数的迹象，它可以完美地重建该功能时，预测的数量是足够大的。接下来，作为一种防御机制，提出了一个隐私保护方案，恶化对手的重建攻击，同时保持VFL带来的积极的一方的全部利益。最后，实验结果证明了所提出的攻击和隐私保护方案的有效性。
2022-09-07 cs.CR cs.IT cs.LG
Cocktail Party Attack: Breaking Aggregation-Based Privacy in Federated Learning using Independent Component Analysis
Georgia Institute of Technology（佐治亚理工学院）；Meta AI；Pennsylvania State University（宾夕法尼亚州立大学）；Virginia Tech（弗吉尼亚理工大学）；Cornell University（康奈尔大学）
联邦学习（FL）旨在对多个数据所有者持有的分布式数据执行隐私保护机器学习。为此，FL要求数据所有者在本地进行训练，并与中央服务器共享梯度更新（而不是私有输入），然后在多个数据所有者之间进行安全聚合。虽然聚合本身并不能提供隐私保护，但先前的工作表明，如果批量足够大，它可能就足够了。在本文中，我们提出了鸡尾酒会攻击（CPA），相反，事先的信念，是能够恢复的私人输入从梯度聚集在一个非常大的批量大小。CPA利用了关键的洞察力，即来自全连接层的聚合梯度是其输入的线性组合，这将我们引导到帧梯度反演作为盲声源分离（BSS）问题（非正式地称为鸡尾酒会问题）。我们采用独立分量分析（ICA）-BSS问题的经典解决方案-来恢复完全连接和卷积网络的私有输入，并表明CPA显着优于先前的梯度反转攻击，扩展到ImageNet大小的输入，并适用于高达1024的大批量。
2022-09-12 cs.AI cs.CR cs.LG
Cluster Based Secure Multi-Party Computation in Federated Learning for Histopathology Images
University of Waterloo（滑铁卢大学）；Vector Institute（向量研究所）；Mayo Clinic（梅奥诊所）
联邦学习（FL）是一种分散的方法，使医院能够协作学习模型，而无需共享私人患者数据进行训练。在FL中，参与医院定期与中央服务器交换训练结果而不是训练样本。然而，访问模型参数或梯度可能会暴露私有训练数据样本。为了解决这个问题，我们采用安全多方计算（SMC）建立一个隐私保护的联邦学习框架。在我们提出的方法中，医院被划分为集群。在本地训练之后，每个医院将其模型权重分配给同一集群中的其他医院，使得没有一家医院可以单独检索其他医院的权重。然后，所有医院将收到的权重相加，将结果发送到中央服务器。最后，中央服务器汇总结果，检索模型权重的平均值并更新模型，而无需访问各个医院的权重。我们在一个公开的数据库--癌症基因组图谱（TCGA）上进行实验。我们比较了所提出的框架与差分隐私和联邦平均作为基线的性能。实验结果表明，与差分隐私相比，该框架能够以较高的通信开销为代价，在不存在隐私泄露风险的情况下获得更高的准确率.
2022-08-21 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
Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications
Georgia Institute of Technology（佐治亚理工学院）；J.P. Morgan AI Research（摩根大通人工智能研究院）
联邦学习使一群客户端能够与受信任的服务器一起协作学习共享的机器学习模型，同时将每个客户端的数据保存在自己的本地系统中。这降低了暴露敏感数据的风险，但仍然有可能从通信的模型参数中对有关客户端私有数据集的信息进行逆向工程。因此，大多数联邦学习系统使用差分隐私来将噪声引入参数。这增加了任何试图揭示私人客户端数据的不确定性，但也降低了共享模型的准确性，限制了隐私保护噪声的有用规模。一种系统，通过还包括安全多方计算，可以进一步降低协调服务器恢复私人客户端信息的能力，而没有额外的准确性损失。结合这两种技术的方法与金融公司特别相关，因为它为协作学习提供了新的可能性，而不会暴露敏感的客户数据。这可以为重要任务（如最佳交易执行、信贷发放或欺诈检测）生成更准确的模型。本文的主要贡献是：我们提出了一个隐私保护的联邦学习协议的非专业观众，证明它使用逻辑回归在现实世界中的信用卡欺诈数据集，并评估它使用一个开源的模拟平台，我们已经适应了联邦学习系统的发展。
2020-10-12 cs.AI cs.CR cs.MA
Privacy Against Agnostic Inference Attacks in Vertical Federated Learning
School of Computer Science and Electronic Engineering, University of Essex（埃塞克斯大学计算机科学与电子工程学院）
研究提出垂直联邦学习中一种新的推理攻击形式，通过在训练阶段获取独立训练的机器学习模型，主动方可对训练和预测样本进行推理攻击，提出隐私保护方案以平衡被动方隐私与主动方可解释性。
2026-04-13 cs.CR cs.IT cs.LG
A Model for Privacy-enhanced Federated Identity Management
出于法律和商业原因，在业务或消费者上下文中运行的身份联合需要防止跨信任服务提供商收集用户数据。法律原因由数据保护立法给出。其他原因包括企业所有者越来越意识到超越传统信息安全的保密风险，例如，对电子数据交换服务的认证次数可以提供对发票数量的了解，从中可以得到内部信息。本文提出了支持三个隐私要求的扩展技术控制：a）限制可链接性：两个服务提供商在没有第三方帮助的情况下不能链接与用户相关的数据，既不使用标识符也不使用其他识别属性，如电子邮件地址或支付数据; b）有限的可观察性：身份提供商在没有第三方帮助的情况下无法跟踪用户正在使用哪些服务; c）不公开：由属性提供者提供给服务提供者的属性不向身份提供者或中间服务代理公开。这个参考体系结构使用遵循隐私设计原则的轴辐式联合风格，解决了上面提到的隐私控制。
2014-01-19 cs.CR
Towards Federated Graph Learning for Collaborative Financial Crimes Detection
IBM T.J. Watson Research Center（IBM T.J. 沃森研究中心）；IBM Research Almaden（IBM阿尔马登研究院）；IBM Research Tokyo（IBM东京研究院）；IBM Global Business Services（IBM全球企业咨询服务部）
金融犯罪是一个日益严重的大问题，在某种程度上触及几乎所有金融机构。金融机构是打击金融犯罪的前线，因此，必须为这一努力投入大量人力和技术资源。目前检测金融不当行为的程序在有效区分恶意行为和普通金融活动的能力方面存在局限性。这些限制往往导致严重的可疑活动报告过多，需要进行耗时且成本高昂的人工审查。在这一领域使用的技术进步，包括基于机器学习的方法，可以提高金融机构现有流程的有效性，然而，大多数金融机构继续面临的一个关键挑战是，他们孤立地处理金融犯罪，而没有其他公司的任何见解。在金融机构通过自己公司的视角处理金融犯罪的情况下，犯罪者可能会制定复杂的战略，这些战略可能跨越机构和地域。金融机构继续不懈地努力提高自身能力，在各机构之间建立伙伴关系，分享见解、模式和能力。这些公私合作伙伴关系受到严格的监管和数据隐私要求的约束，因此很难依赖传统的技术解决方案。在本文中，我们提出了一种方法，通过使用联合图学习平台在机构之间共享关键信息，该平台使我们能够通过利用联邦学习和图学习方法来构建更准确的机器学习模型。我们证明了我们的联合模型在英国FCA TechSprint数据集上的表现优于本地模型20%。这个新平台为有效检测全球洗钱活动打开了一扇大门。
2019-10-02 cs.CR cs.CY cs.LG
Starlit: Privacy-Preserving Federated Learning to Enhance Financial Fraud Detection
University College London（伦敦大学学院）；Privitar；Flower Labs；Cardiff University（卡迪夫大学）
Starlit提出一种可扩展的隐私保护联邦学习机制，通过解决现有方案在安全证明、账户冻结假设、计算开销、身份对齐和客户端退出等方面的局限，提升金融欺诈检测性能。
2024-01-22 cs.CR cs.LG
Graph Privacy: A Heterogeneous Federated GNN for Trans-Border Financial Data Circulation
Macau University of Science and Technology（澳门科技大学）；Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）
针对跨境金融数据共享的隐私难题，提出异构联邦图神经网络HFGNN，通过构建统计异构全局图实现数据可用不可见，实验证明其具有更高准确率和更快收敛速度。
2025-05-01 cs.CR cs.LG
HASSLE: A Self-Supervised Learning Enhanced Hijacking Attack on Vertical Federated Learning
本文提出HASSLE劫持攻击框架，结合梯度方向标签推断与自监督学习增强的对抗嵌入生成，仅需单个已知实例即可精准识别私有样本，在多数据集上实现超99%攻击成功率，揭示了VFL系统的重大安全威胁。
2025-07-14 cs.CR
Efficient and Secure Federated Learning for Financial Applications
China University of Political Science Law（中国政法大学）；Xi’an Jiaotong University（西安交通大学）；Ant Rongxin (Chengdu) Network Technology Co Ltd（蚂蚁融信（成都）网络科技有限公司）
传统的机器学习（ML）和深度学习方法需要与外部征信机构共享客户的敏感信息，以生成预测模型，从而为隐私泄露打开大门。这种漏损风险使金融公司的合作面临巨大挑战。联邦学习是一种可以保护数据隐私的机器学习设置，但高昂的通信代价往往是联邦系统的瓶颈，特别是对于大型神经网络。限制通信的数量和大小对于大型神经结构的实际训练是必要的。梯度稀疏化作为一种降低通信开销的方法受到越来越多的关注，它只更新重要的梯度，并在局部累积不重要的梯度。然而，安全聚合框架不能直接使用梯度稀疏化。本文提出了两种稀疏化方法，以减少联邦学习中的通信成本。一种是模型参数更新的时变分层稀疏化方法，解决了高比率稀疏化后模型精度的保持问题。它可以大大降低单次通信的成本。二是将稀疏化方法应用于安全聚合框架。我们稀疏加密掩码矩阵，以减少通信的成本，同时保护隐私。实验表明，在不同的Non-IID实验设置下，当稀疏率为0.01时，该方法可以将上传通信开销降低到传统联邦学习算法的2.9%~ 18.9%.
2023-03-15 cs.CR cs.LG
Practical Vertical Federated Learning with Unsupervised Representation Learning
National University of Singapore（新加坡国立大学）
随着社会对数据隐私的关注越来越多，我们目睹了各种应用程序中多方之间的数据孤岛。联邦学习作为一种新的学习范式出现，它使多方能够协作训练机器学习模型，而无需共享原始数据。垂直联邦学习是联邦学习中一个重要而又具有挑战性的课题，其中每一方拥有同一组样本的不同特征，只有一方拥有标签。各方之间的沟通成本一直是实际垂直学习系统的主要障碍。在本文中，我们提出了一种新的通信高效的垂直联邦学习算法FedOnce，它只需要一次通信各方之间。为了提高模型的准确性并提供隐私保证，FedOnce在联邦设置中采用了无监督学习表示和基于矩会计的隐私保护技术。在10个数据集上的综合实验表明，FedOnce与最先进的垂直联邦学习算法相比，具有更低的通信成本，实现了接近的性能。同时，在相同的隐私预算下，我们的隐私保护技术显着优于最先进的方法。
2022-08-13 cs.CR cs.LG
The Role of Federated Learning in Improving Financial Security: A Survey
Department of Computer Science Tennessee Technological University（计算机科学系 田纳西技术大学）；Department of Finance Tennessee Technological University（金融系 田纳西技术大学）
本综述系统梳理联邦学习在金融安全中的应用，提出按监管暴露水平分类的新框架，并讨论数据异构、对抗攻击等挑战及区块链、差分隐私等未来方向。
2025-10-07 cs.AI cs.CR
Distributed Additive Encryption and Quantization for Privacy Preserving Federated Deep Learning
同态加密是隐私保护联邦学习中非常有用的梯度保护技术。然而，现有的加密联邦学习系统需要可信的第三方来生成密钥对并将其分发给连接的参与者，这使得它们不适合联邦学习并且容易受到安全风险的影响。此外，加密所有模型参数是计算密集型的，特别是对于大型机器学习模型，例如深度神经网络。为了缓解这些问题，我们开发了一种实用的，计算效率高的基于加密的协议，用于联合深度学习，其中密钥对是在没有第三方帮助的情况下协作生成的。该方法通过在客户端对模型参数进行量化，在服务器端进行近似聚集，避免了对整个模型的加密和解密。此外，设计了一种基于门限的秘密共享技术，使得任何人都不能持有用于解密的全局私钥，而聚合密文可以被门限数量的客户端成功解密，即使某些客户端离线。实验结果表明，与现有的加密联邦学习相比，该方法在不影响性能和安全性的前提下，显著降低了通信开销和计算复杂性。
2020-11-25 cs.CR cs.DC
BotDetect: A Decentralized Federated Learning Framework for Detecting Financial Bots on the EVM Blockchains
本文提出一种基于智能合约编排的去中心化联邦学习框架，用于在EVM区块链上检测金融机器人，在保护隐私的同时实现高准确率检测。
2025-01-21 cs.CR cs.DC
Federated Graph AGI for Cross-Border Insider Threat Intelligence in Government Financial Schemes
Incedo Inc.（Incedo公司）；Indian Institute of Technology（印度理工学院）；University of Kent（肯特大学）
FedGraph-AGI通过整合AGI推理与联邦图学习，实现了隐私保护下的跨境内部威胁检测，准确率高达92.3%。
2026-02-18 cs.AI cs.CE cs.CR
DPFedBank: Crafting a Privacy-Preserving Federated Learning Framework for Financial Institutions with Policy Pillars
本文提出DPFedBank框架，通过自适应本地差分隐私与先进密码技术结合，并制定全面安全策略，解决金融机构在联邦学习协作中的隐私与安全问题。
2024-10-17 cs.CE cs.CR cs.CY
Flatee: Federated Learning Across Trusted Execution Environments
联邦学习允许我们分布式训练机器学习模型，其中多方共享本地模型参数，而无需共享私有数据。然而，参数交换仍然可能泄漏信息。已经提出了几种方法来克服这一点，基于多方计算、全同态加密等;这些协议中的许多协议对于现实世界的使用来说是缓慢和不切实际的，因为它们涉及大量的密码操作。在本文中，我们提出了使用可信执行环境（TEE），它提供了一个平台，隔离执行的代码和数据处理，为此目的。我们描述了Flatee，一个有效的隐私保护联邦学习框架跨TEE，大大减少了培训和通信时间。我们的框架可以处理恶意方（虽然我们描述了一种初步的处理方法，但我们并没有原生地解决对抗性数据投毒）。
2021-11-12 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
Enhanced Detective: A Dual-Stage Proactive Defense Against Internal Poisoning Attacks in Financial Fraud Detection Using Federated Learning
University of Bucharest（布加勒斯特大学）；Luxembourg Institute of Science and Technology (LIST)（卢森堡科学与技术研究所）；Research Institute of the University of Bucharest (ICUB)（布加勒斯特大学研究院）
针对联邦学习下金融欺诈检测的内部中毒攻击，提出Enhanced Detective双阶段主动防御策略，结合MAD、更新过滤与FedMedian，在40%恶意客户端时AUPRC达0.796、召回率达0.847。
2026-10-14 cs.AI cs.CR
Secure and Efficient Federated Transfer Learning
机器学习模型需要大量的数据来进行准确的训练。实际上，大多数数据分散在不同的组织中，在许多法律和实际限制下无法轻松集成。联邦迁移学习（FTL）在[1]中引入，以改进数据联邦下的统计模型，允许在不损害用户隐私的情况下共享知识，并使补充知识能够在网络中传输。因此，目标域方可以通过利用来自源域方的丰富标签来构建更灵活、更强大的模型。然而，该模型中涉及的安全协议的过度计算开销使其不切实际。在这项工作中，我们的目标是提高现有模型的效率和安全性，通过将秘密共享（SS）的数据联邦下的实际协作培训。在文献中，只有半诚实模型的联邦迁移学习已被认为是。在本文中，我们改进了以前的解决方案，也允许恶意玩家可以任意偏离我们的FTL模型中的协议。这比我们假设各方严格遵守协议的半诚实模型强得多。我们这样做使用一个实际的MPC协议称为SPDZ，因此我们的模型可以有效地扩展到任何数量的缔约方，即使在一个不诚实的多数的情况下。此外，在我们的设置中评估的模型在运行时间和通信成本方面都显着优于以前的工作。在我们的模型中，对于500个样本，半诚实情况下的单次迭代执行时间为0.8秒，恶意情况下为1.4秒，而之前的实现需要35秒。
2019-10-30 cs.CR
FLAP -- A Federated Learning Framework for Attribute-based Access Control Policies
传感器、物联网和机器人等领域的技术进步，使新的协作应用成为可能（例如，自主设备）。这种合作的主要要求是拥有一个安全的系统，能够实现信息共享和信息流保护。基于策略的管理系统是实现受保护资源安全选择共享的关键机制。然而，这种协作环境中的每一方的政策都不能是静态的，因为它们必须适应不同的背景和情况。协作应用程序的一个优点是，协作中的每一方都可以利用其他方的知识来学习或增强自己的策略。我们把这种学习机制称为政策转移。策略转移框架的设计具有挑战性，包括策略冲突和隐私问题。政策冲突通常是由于各方义务的不同而产生的，而隐私问题则是由于敏感数据的数据共享限制而产生的。因此，政策转移框架应能够通过考虑最低限度的数据共享来应对这些挑战，并支持政策调整以解决冲突。在本文中，我们提出了一个框架，旨在应对这些挑战。我们介绍了一个正式的定义的政策转移问题的属性为基础的政策。然后，我们介绍的转移方法，包括三个连续的步骤。最后，我们报告实验结果。
2020-11-02 cs.CR
Transparency and Privacy: The Role of Explainable AI and Federated Learning in Financial Fraud Detection
Anglia Ruskin University（安格利亚鲁斯金大学）
本研究提出结合联邦学习与可解释人工智能的欺诈检测方法，在保护数据隐私的同时实现透明可解释的检测，实验证明其高性能与有效性。
2023-12-20 cs.AI cs.CR cs.LG
Federated and Privacy-Preserving Learning of Accounting Data in Financial Statement Audits
University of St.Gallen (HSG)（圣加仑大学（HSG））；Deutsche Bundesbank（德意志联邦银行）
正在进行的“数字化转型”从根本上改变了审计证据的性质、记录和数量。如今，国际审计准则（ISA）要求审计师检查大量财务报表的基础数字会计记录。因此，审计事务所也“提升”了他们的分析能力，并投资于深度学习（DL），这是机器学习的一个成功的子学科。DL的应用提供了从多个客户端的数据中学习专门的审计模型的能力，例如，在同一行业或司法管辖区内经营的组织。一般而言，法规要求审计人员遵守严格的数据保密措施。与此同时，最近有趣的发现表明，大规模DL模型很容易泄漏敏感的训练数据信息。如今，审计公司如何在遵守数据保护法规的同时应用深度学习模型仍然不清楚。在这项工作中，我们提出了一个联邦学习框架，训练DL模型审计相关的会计数据的多个客户端。该框架包含差分隐私和分割学习功能，以减轻模型推断的数据机密性风险。我们评估我们的方法来检测会计异常在三个现实世界的城市支付数据集。我们的研究结果提供了经验证据，审计师可以受益于DL模型，积累知识，从多个来源的专有客户数据。
2022-08-26 cs.CE cs.CR cs.LG
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
Efficient and Privacy-Preserving Binary Dot Product via Multi-Party Computation
针对二进制向量按位点积的隐私协同计算问题，提出 BiMPC 框架及 DoMA 方法，结合高域随机掩码与 triot 协议，保障逐比特隐私并提升效率与可扩展性。
2025-10-18 cs.CC cs.CR
Efficient and Privacy-Preserving Federated Learning based on Full Homomorphic Encryption
本文利用最新全同态加密技术提出新颖联邦学习方案，在医疗、商业、生物识别和金融四个实际数据集上覆盖横纵联邦场景，显著提升安全性、效率和实用性。
2024-03-18 cs.CR
Privacy-Preserving Methods for Sharing Financial Risk Exposures
与知识产权可申请专利的其他行业不同，金融业依靠贸易保密来保护其业务流程和方法，这可能会使监管机构和公众无法了解关键的金融风险。我们开发了共享和汇总此类风险敞口的方法，以保护所有相关方的隐私，而无需可信的第三方。我们的方法采用安全的多方计算技术从密码学中，多方能够计算联合函数，而不透露他们各自的输入。在我们的框架中，各个金融机构评估其专有数据的协议，这些数据不能被反转，从而导致对实值统计数据的安全计算，例如集中指数，成对相关性以及其他单点和多点统计数据。所提出的协议是计算上听话的现实样本量。潜在的金融应用包括：构建保护隐私的银行资本和杠杆率实时指数;监测委托的证券投资;财务审计;以及公布专有交易策略的新指数。
2011-11-25 cs.CE cs.CR q-fin.CP
FedRW: Efficient Privacy-Preserving Data Reweighting for Enhancing Federated Learning of Language Models
East China Normal University（华东师范大学）；Wuhan University（武汉大学）；Zhejiang University（浙江大学）；ZStack；Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security Q（杭州高新区（滨江）区块链与数据安全研究院）
针对联邦学习中数据重复阻碍LLM性能和隐私的问题，提出首个无需可信第三方的隐私保护框架FedRW，通过安全样本重加权实现软去重，提升效率、性能与安全性。
2025-11-10 cs.AI cs.CR
Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection
School of Computer Engineering, KIIT Deemed to be University（计算机工程学院，KIIT deemed to be 大学）；School of Electronics Engineering, KIIT Deemed to be University（电子工程学院，KIIT deemed to be 大学）
本文提出DSFL框架，通过动态随机分片和线性完整性标签，实现跨机构金融欺诈检测的高效安全聚合，实验显示其在大规模场景下具有更低的聚合延迟和更高的检测召回率。
2026-05-17 cs.CR cs.LG
Private, Auditable, and Distributed Ledger for Financial Institutes
本文提出PADL框架，结合通用密码学与零知识证明，在无可信设置下实现多资产机密交易、交易图匿名和可定制隐私，并通过金融用例与评估验证其审计性和性能优势。
2025-01-07 cs.CR
Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection
IBM Research（IBM研究院）
针对金融异常检测中数据同时纵向与横向分区且机构间缺乏信任的问题，提出PV4FAD方案，结合全同态加密、安全多方计算、差分隐私与随机化技术，在训练与推理阶段兼顾隐私保护和模型准确性，并生成随机森林集成模型以提升检测性能。
2023-10-30 cs.CR cs.LG
Mitigating Explanation Leakage in Financial Fraud Detection Systems
London Metropolitan University（伦敦都市大学）；School of Computing and Digital Media（计算与数字媒体学院）
针对金融欺诈检测中联邦学习结合TreeSHAP解释易受成员推理攻击的问题，提出客户端级差分隐私的DP-FedSHAP架构，权衡解释保真度、隐私与AUPRC性能。
2026-08-25 cs.CR cs.LG
FLaaS: Federated Learning as a Service
Telefonica Research（西班牙电信研究院）
联邦学习（FL）正在成为一种以分散的、隐私保护的方式构建机器学习模型的有前途的技术。事实上，FL能够在用户设备上进行本地训练，避免用户数据被传输到集中式服务器，并且可以通过差分隐私机制进行增强。虽然FL最近已经部署在实际系统中，但尚未探索跨不同第三方应用程序协作建模的可能性。在本文中，我们解决了这个问题，并提出了联邦学习作为一种服务（FLaaS），一个系统，使不同的场景的第三方应用程序协作模型的建设和解决随之而来的挑战，权限和隐私管理，可用性和分层模型训练。FlaaS可以部署在不同的运营环境中。作为一个概念的证明，我们实现了它在手机上设置和讨论的实际影响的结果在模拟和真实的设备上的培训CPU成本，内存占用和功耗每FL模型轮。因此，我们证明了FlaaS在100台设备上在几个小时内跨图像目标检测应用程序构建独特或联合FL模型的可行性。
2020-11-18 cs.CR cs.DC cs.LG
An Efficient Learning Framework For Federated XGBoost Using Secret Sharing And Distributed Optimization
School of Software Engineering, Tongji University（同济大学软件学院）；IBM Research AI, IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心IBM研究院人工智能部门）；School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院）
本文针对数据孤岛问题提出一种基于秘密共享和分布式优化的无损多方联邦XGBoost框架，在保证安全性的同时降低通信与计算开销，并在基准数据集上验证了其优越性。
2021-05-12 cs.AI cs.CR cs.LG
FedV: Privacy-Preserving Federated Learning over Vertically Partitioned Data
IBM Research（IBM研究院）；University of Pittsburgh（匹兹堡大学）
联邦学习（FL）已经被提出来允许多方之间的机器学习（ML）模型的协作训练，其中每一方都可以保持其数据私有。在这个范例中，只有模型更新，如模型权重或梯度，是共享的。许多现有的方法都集中在水平FL，其中每一方具有整个特征集和标签的训练数据集。然而，许多真实场景遵循垂直分区的FL设置，其中只有当来自各方的所有数据集组合在一起时才形成完整的特征集，并且标签仅对单一方可用。隐私保护垂直FL是具有挑战性的，因为完整的标签和特征集不属于一个实体。现有的垂直FL方法需要各方之间的多个对等通信，导致冗长的训练时间，并且仅限于（近似）线性模型和两方。为了缩小这一差距，我们提出了FedV，这是一个在垂直设置中安全梯度计算的框架，用于几个广泛使用的ML模型，如线性模型，逻辑回归和支持向量机。FedV通过使用函数加密方案消除了各方之间对等通信的需要;这使得FedV能够实现更快的训练时间。它也适用于更大和不断变化的政党。我们经验性地证明了多种类型ML模型的适用性，并显示与最先进的方法相比，训练时间减少了10%-70%，数据传输减少了80%至90%。
2021-06-16 cs.AI cs.CR cs.DC
Practical and General Backdoor Attacks against Vertical Federated Learning
University of Chinese Academy of Sciences（中国科学院大学）
针对纵向联邦学习中攻击者无法访问标签的挑战，提出BadVFL方法，通过SDD模块追踪数据类别和SDP模块增强决策依赖，实现仅1%投毒率下超过93%的后门攻击成功率。
2023-06-19 cs.CR cs.LG
A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy
Rutgers University（罗格斯大学）；Duke University（杜克大学）；University of California, Irvine（加州大学欧文分校）
本文提出融合联邦学习与差分隐私的广告个性化框架，通过分布式特征提取、动态隐私预算分配与鲁棒聚合等技术，在保障隐私的同时实现了推荐准确率与系统效率的双重优化。
2025-07-16 cs.CR cs.LG
Privacy-Preserving Feature Valuation in Vertical Federated Learning Using Shapley-CMI and PSI Permutation
Electronics and Computing Department（电子与计算系）；Mondragon Unibertsitatea（蒙dragon大学）
本文提出了一种隐私保护的Shapley-CMI方法用于垂直联邦学习，通过PSI排列计算特征贡献，确保数据安全与高效性。
2025-12-16 cs.AI cs.CR cs.DC
An Accurate, Scalable and Verifiable Protocol for Federated Differentially Private Averaging
INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）
从多方拥有的数据中学习，如在联邦学习中，会对提供给参与者的隐私保证以及在存在恶意方的情况下计算的正确性提出挑战。我们在分布式平均的背景下解决这些挑战，分布式平均是联邦学习算法的一个重要组成部分。我们的第一个贡献是一个可扩展的协议，在该协议中，参与者沿着网络图的边缘交换相关的高斯噪声，并由各方添加的独立噪声补充。我们分析了我们的协议的差分隐私保证和图拓扑的影响下勾结恶意方，表明我们几乎可以匹配的效用的可信馆长模型，即使每个诚实的一方通信，只有对数的其他方随机选择。这与本地隐私模型（具有较低的效用）或基于安全聚合（其中所有用户对都需要交换消息）的协议形成对比。我们的第二个贡献，使用户能够证明他们的计算的正确性，而不损害协议的效率和隐私保证。我们的验证协议依赖于标准的密码原语，如承诺计划和零知识证明。
2022-10-28 cs.CR cs.DC cs.LG
