论文2024/671

在垂直联合学习中利用内部随机性实现隐私

摘要

垂直联合学习（VFL）正在成为一种具有各种实际应用的标准协作学习范式。随机性对于增强VFL中的隐私至关重要，但引入过多的外部随机性通常会导致无法忍受的性能损失。相反，正如在其他联合学习设置中所演示的那样，利用内部随机性（由变分自动编码器（VAE）提供）可能是有益的。然而，到目前为止，由此产生的隐私从未被量化，也没有对VFL的方法进行过研究。因此，我们提出了一种新的差异隐私估计，称为基于距离的经验局部差异隐私（dELDP）。它允许根据经验约束混凝土构件的DP参数，用适当的距离和灵敏度指标量化内部随机性。我们应用dELDP研究VAE的DP，并观察到高达ε≈6.4和δ=2−32的值。此外，为了在实践中将dELDP参数与包括VFL系统在内的完整VAE的隐私联系起来，我们对抵御最先进的隐私攻击的鲁棒性进行了全面的实验。结果表明，VAE系统对特征重构攻击是有效的，优于其他VFL隐私增强方法，特别是当对手在标签推理攻击中拥有75%的特征时。