安全かつプライバシーを保護する垂直フェデレーテッドラーニング

要旨: 私たちは、新しいエンドツーエンドのプライバシー保護フレームワークを提案します。これは、フェデレーテッドラーニング（FL）における垂直分割のシナリオで、特徴がクライアント間で分割され、ラベルはすべての当事者に共有されない場合を対象とし、入力プライバシーと出力プライバシーの両方をカバーします。提案手法は、異なるデプロイメント・シナリオに対応する3つの効率的なプロトコルとして実装します。具体的には、FLにおけるアグリゲータの役割を複数のサーバに分散し、これらに安全なマルチパーティ計算（MPC）プロトコルを実行させることで、モデルおよび特徴の集約を行い、最終的に公開されるモデルに対して差分プライバシー（DP）を適用します。素朴な解決策では、クライアントがトレーニング全体をサーバ間のMPCで実行するよう委任しますが、本研究の最適化された解決策では、プライバシー保護を備えた純粋にグローバルなモデル更新およびグローバル・ローカル・モデル更新の両方をサポートすることで、MPCを用いて行われる計算量と通信量を大幅に削減します。さらに、実験結果は提案プロトコルの有効性も示しています。