Resumen

El requisito de compartir datos y privacidad ha llevado a prestar cada vez más atención al aprendizaje federado. Sin embargo, los modelos de agregación existentes son demasiado especializados y tratan menos el problema de la retirada de usuarios. Además, los protocolos para la coincidencia de entidades de múltiples partes rara vez son abordados. Por lo tanto, no existe un marco sistemático para realizar tareas de aprendizaje federado. En este documento, proponemos sistemáticamente un marco de aprendizaje federado preservando la privacidad (PFLF) donde primero construimos un modelo general de agregación segura en escenarios de aprendizaje federado combinando el uso compartido de secretos de Shamir con criptografía homomórfica para garantizar que el valor agregado pueda ser descifrado correctamente solo cuando el número de participantes es mayor que . Además, proponemos un protocolo de coincidencia de entidades de múltiples partes empleando computación segura de múltiples partes para resolver los problemas de alineación de entidades y un algoritmo de regresión logística para log

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Compartir datos; Privacidad; Aprendizaje federado; Modelos de agregación; Coincidencia de entidades multiparte; Marco de preservación de la privacidad
• Keywords:Data sharing; Privacy; Federated learning; Aggregation models; Multiparty entity matching; Privacy-preserving framework