Privacy-enhanced federated learning via asynchronous aggregation and local differential perturbation

📄 arXiv: 2609.15885v1 📥 PDF

作者: Zhen Zhong, Shini Yang, Liesheng Wei

分类: cs.LG, cs.AI, cs.CE, cs.DB

发布日期: 2026-09-14

备注: Published in Proc. SPIE 14128, Third International Conference on Big Data, Computational Intelligence, and Applications (BDCIA 2025), 141283L. Event: BDCIA 2025, Huanggang, China. https://doi.org/10.1117/12.3106592

期刊: Proc. SPIE 14128, Third International Conference on Big Data, Computational Intelligence, and Applications (BDCIA 2025), 141283L (2026)

DOI: 10.1117/12.3106592

💡 一句话要点

提出隐私增强的联邦学习框架以解决安全协作训练问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 隐私保护 联邦学习 动态差分隐私 同态加密 局部差分隐私 异步聚合 分布式训练

📋 核心要点

  1. 现有的联邦学习方法在隐私保护和模型性能之间存在权衡，难以满足严格的隐私要求。
  2. 提出的框架通过结合动态差分隐私、同态加密和局部差分隐私，增强了数据隐私保护，同时采用异步聚合策略以提高训练效率。
  3. 实验结果显示，该方法在隐私约束下仍能实现高分类准确率，并显著降低通信开销，展示了良好的实用性。

📝 摘要（中文）

本研究提出了一种隐私增强的联邦学习框架，以应对分布式数据环境下的安全协作训练问题。该框架结合了动态差分隐私（DDP）、轻量级同态加密（HE）和局部差分隐私（LDP）机制，确保模型训练过程中的数据隐私保护。此外，框架采用异步聚合策略和版本控制，以支持异步环境下的分布式训练。在CIFAR-10和Purchase-100基准数据集上的实验验证表明，该方法在严格隐私约束（ε = 0.1）下仍能保持高达82.6%的分类准确率，同时相比FedAvg减少了21.3%的通信开销。实验结果表明，该框架有效平衡了隐私保护与模型性能，为大规模分布式协作计算提供了可扩展的技术基础。

🔬 方法详解

问题定义：本论文旨在解决分布式数据环境下的安全协作训练问题，现有方法在隐私保护与模型性能之间存在明显的权衡，难以满足严格的隐私保护需求。

核心思路：论文提出的隐私增强框架通过结合动态差分隐私、轻量级同态加密和局部差分隐私机制，确保在模型训练过程中数据的隐私保护。同时，采用异步聚合策略以适应异步环境下的训练需求。

技术框架：该框架主要包括三个模块：数据隐私保护模块、异步聚合模块和版本控制模块。数据隐私保护模块负责对训练数据进行加密和扰动，异步聚合模块则负责收集和整合各参与方的模型更新，版本控制模块确保不同版本之间的协调与一致性。

关键创新：本研究的关键创新在于将动态差分隐私与轻量级同态加密相结合，形成了一种新的隐私保护机制，显著提高了隐私保护的强度，同时保持了模型的训练效率。这一设计与传统的联邦学习方法相比，能够在更严格的隐私约束下实现更高的模型性能。

关键设计：在参数设置上，采用了适应性调整的隐私预算，并设计了特定的损失函数以平衡隐私保护与模型准确性。此外，网络结构上采用了轻量级的卷积神经网络，以适应不同规模的数据集和计算资源。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，在严格的隐私约束（ε = 0.1）下，该框架仍能实现高达82.6%的分类准确率，并且相比于FedAvg方法，通信开销减少了21.3%。这一结果展示了该框架在隐私保护和模型性能之间的有效平衡。

🎯 应用场景

该研究的潜在应用领域包括金融、医疗和智能城市等需要保护用户隐私的分布式机器学习场景。通过提供安全的协作训练机制，该框架能够促进多方数据的有效利用，同时确保数据隐私不被泄露，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

This study proposes a privacy-enhanced federated learning framework to address secure collaborative training in distributed data environments. The framework integrates Dynamic Differential Privacy (DDP), lightweight Homomorphic Encryption (HE), and Local Differential Privacy (LDP) mechanisms to ensure data privacy protection during model training. Additionally, the framework employs an asynchronous aggregation strategy with version control to support distributed training in asynchronous environments. Experimental validation on the CIFAR-10 and Purchase-100 benchmark datasets demonstrates that the method maintains high classification accuracy (up to 82.6%) even under stringent privacy constraints (ε = 0.1), while reducing communication overhead by 21.3% compared to FedAvg. Experimental results demonstrate that this framework effectively balances privacy protection and model performance in distributed machine learning scenarios, providing a scalable technical foundation for large-scale distributed collaborative computing.