隐私保护联邦学习框架

可验证且抗合谋

引入优化双掩码与ECC承诺机制,在保护梯度隐私的同时实现聚合结果的可验证性,并保持通信高效。

Huiyu, Xie · Zhou, Tanping · Shuo, Chen · Yu, Li · 杨晓元

Information Sciences 2025

参数信息

训练速度提升
60 %
通信开销降低
17 %

技术优势

训练快 60%

相比 VerifyNet,VCFL 在模型训练速度上提升 60%,意味着在相同时间内可以完成更多的训练迭代。

通信更省

用户端的通信开销比 VerifyNet 降低 17%,对于带宽受限的边缘设备更友好。

验证开销恒定

验证开销与梯度维度无关,即使模型参数增多,验证成本也不会随之上涨。

应用场景