信息通信技术与政策

信息通信技术与政策

信息通信技术与政策 ›› 2021, Vol. 47 ›› Issue (6): 19-26.doi: 10.12267/j.issn.2096-5931.2021.06.003

上一篇    下一篇

基于秘密共享与同态加密的纵向联邦学习方案研究

Research on vertical federated learning based on secret sharing and homomorphic encryption

夏家骏,鲁颖,张子扬,张钰婷,张佳辰   

  1. 光之树(北京)科技有限公司,北京 100085)
  • 出版日期:2021-06-15 发布日期:2021-07-15
  • 作者简介:
    夏家骏:光之树(北京)科技有限公司算法工程师,主要从事纵向联邦学习的算法开发等工作
    鲁颖:光之树(北京)科技有限公司首席数据科学家,主要负责联邦学习整体算法框架研究等
    张子扬:光之树(北京)科技有限公司算法工程师,主要从事纵向联邦学习的算法开发等工作
    张钰婷:光之树(北京)科技有限公司助理工程师,主要从事纵向联邦学习的算法开发等工作
    张佳辰:光之树(北京)科技有限公司总经理及技术负责人,主要负责技术趋势研究等

XIA Jiajun, LU Ying, ZHANG Ziyang, ZHANG Yuting, ZHANG Jiachen   

  1. Points Technology (Beijing) Technology Co. , Ltd. , Beijing 100085, China
  • Online:2021-06-15 Published:2021-07-15

摘要: 由于日趋严格的隐私保护政策,各种隐私保护算法被提出。联邦学习能够在保护用户隐私不被泄露的情形下,运行各种机器学习算法。介绍了在不同场景下适用的联邦学习框架,并以逻辑回归为例介绍了纵向联邦学习的几种常用实现方式;此外,对各种实现方式的优缺点及适用场景进行了分析。

关键词: 隐私计算, 联邦学习, 多方安全计算, 同态加密, 秘密共享

Abstract: Due to the promulgation of more and more privacy protection policies, many privacy preserving computing algorithms are developed. Among them, federated learning is practical in building machine learning algorithms under privacy preserving computing. This article, introduces different federated learning frameworks for different datapartition case, and demonstrates vertical federated learning with logistic regression as an example. Finally, it introduces the pros and cons of different implementations and their applicable scene.

Key words: privacy preserving computing, federated learning, multi-party computation, homomorphic encryption, secret sharing