返回
Matrix Commitment-Based Ownership Verification for Distributed Machine Learning
DOI:10.1109/tpami.2026.3687640.png)
摘要
En 中文
分布式机器学习(DML)实现了并行训练,但也引发了模型所有权确定的冲突,因为验证个体客户端在权重更新中的具体贡献仍具挑战性。为解决所有权争议并防止恶意客户端伪造数据,验证各客户端独特训练历史的完整性和有效性,可公平确立其对最终DML模型的局部所有权。本文首次提出了一种新颖的基于矩阵承诺的DML所有权验证(MAMMON)方案,采用简洁的证明确保在有限的计算成本内实现计算完整性与正确性。与计算密集型的SNARK基方法不同,MAMMON构建多线性树结构以降低证明更新成本,并通过标准化训练过程避免复杂算术电路计算。此外,利用客户端身份私钥对权重证明进行水印标记,以保护承诺免遭篡改或未授权获取。大量实验表明,MAMMON在保持DML训练计算完整性方面表现优越,涵盖理论分析与与其他现有基线的比较。
Keyword:
Matrix commitment
ownership verification
distributed machine learning
intellectual property protection
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
VeriFL: Communication-Efficient and Fast Verifiable Aggregation for Federated LearningVeriFL: 通信-用于联邦学习的高效且快速的可验证聚合

