FedMod: Vertical Federated Learning Using Multi-server Secret Sharing

doi:10.1007/978-3-032-06744-9_10

2026-01-01

PRE

Kasra Mojallal *

Ali Abbasi Tadi

Dima Alhadidi

DOI：10.1007/978-3-032-06744-9_10

原文链接

原文求助

摘要

En 中文

垂直联邦学习（VFL）允许多个实体利用特征划分的数据集协作训练机器学习模型，同时保护其数据隐私。然而，许多现有VFL方法要么依赖单一可信服务器，要么因基于加密的技术导致显著的计算和通信开销。本文提出FedMod，一种可扩展且轻量级的VFL框架，无需可信方或密码学原语。FedMod引入了一种新颖的多服务器架构，并结合加法秘密共享来保护训练过程中的中间计算。我们在多个真实数据集上进行广泛实验，并将FedMod与同态加密、差分隐私和功能加密等最先进方法进行对比。结果表明，FedMod在计算时间和通信成本显著降低的情况下，实现了相当或更优的精度。此外，FedMod在半诚实模式下提供强保护，即使某些参与方或服务器部分合谋也能保持安全。这些结果突显了FedMod在真实隐私保护协作学习场景中的实用性。

Keyword:

privacy-preserving machine learning

vertical federated learning

secret sharing

distributed machine learning

期刊

DATABASE ENGINEERED APPLICATIONS, IDEAS 2025

IF:

论文数:

被引数:

机构

university of windsor

学者数:

4.4K

论文数: 4.5K

被引数: 3

引用论文

A comparative analysis of speech signal processing algorithms for Parkinson's disease classification and the use of the tunable Q-factor wavelet transform

APPLIED SOFT COMPUTING

IF6.6

2019-01-01

271

PREAI

Sakar, C. Okan; Serbes, Gorkem; Gunduz, Aysegul; Tunc, Hunkar C.; Nizam, Hatice; Sakar, Betul Erdogdu; Tutuncu, Melih; Aydin, Tarkan; Isenkul, M. Erdem; Apaydin, Hulya

FedShare: Secure Aggregation based on Additive Secret Sharing in Federated Learning

International Database Engineered Applications Symposium Conference

IF0

2023-05-26

PREAI

Hamid Fazli Khojir; Dima Alhadidi; Sara Rouhani; Noman Mohammed

A survey on federated learning 关于联邦学习的调查

KNOWLEDGE-BASED SYSTEMS

IF7.6

2021-03-01

671

PREAI