PPSplitFed: Privacy-Preserving Splitfed Learning via Functional Encryption

Jing Ma

doi:10.1109/tetc.2026.3683420

PPSplitFed: Privacy-Preserving Splitfed Learning via Functional Encryption

2026-04-24

0

PRE

AI

DOI：10.1109/tetc.2026.3683420

原文链接

原文求助

摘要

En 中文

联邦学习（FL）和拆分学习（SL）是两种新兴的分布式学习机制，能够在不共享本地数据的情况下实现模型训练。联邦学习与拆分学习的结合，称为拆分联邦学习（SFL），减轻了客户端的训练负担，并通过并行化模型训练来实现高效的分布式模型优化，且无需共享本地数据和整个全局模型。目前，关于拆分联邦学习隐私泄露风险的关注已引起广泛关注，但有效的解决方案尚未得到充分探索。我们提出了一种新的隐私保护拆分联邦学习框架，命名为PPSplitFed，通过保证中间参数的机密性来保护数据和模型隐私。通过设计基于单输入功能加密的安全模型训练算法和基于多输入功能加密的安全模型聚合算法，PPSplitFed实现了安全模型优化。我们描述了PPSplitFed在多层感知器（MLP）和卷积神经网络（CNN）模型上的实现，并将其性能与集中学习（CL）、联邦学习（FL）、拆分学习（SL）、拆分联邦学习（SFL）以及最新的隐私保护SFL方案和隐私保护多源数据集模型训练方案进行了比较。实验结果表明，PPSplitFed在减少计算和通信成本的同时有效且高效，并能保持模型精度。

Keyword:

Federated learning

split learning

splitfed learning

functional encryption

privacy protection

PPSplitFed: Privacy-Preserving Splitfed Learning via Functional Encryption

摘要

期刊

机构

引用论文