PoCoFL：符合策略的联邦学习

arXiv:2610.03650v1 公告类型：交叉领域 摘要：联邦学习（FL）是一种面向隐私的学习范式，使参与客户端能够在保持训练数据本地存储的同时协作进行模型训练。然而，它无法保证客户端提交的贡献符合策略，也无法保证聚合器正确处理获准的贡献。现有的可验证 FL 系统通常针对特定的 FL 设置、学习工作流和密码学构造定制验证规则，因此在不同网络拓扑、参与者角色和聚合语义之间的适用性受到限制。本文提出 PoCoFL，一种符合策略的联邦学习框架，将以下三个方面分离开来：（i）FL 类型；（ii）策略语义；以及（iii）密码学实现。我们给出了一种形式化方法，将客户端要求和聚合要求表示为依赖于策略的关系。客户端使用承诺和非交互式零知识证明来证明其贡献符合策略；聚合器则证明，所记录的获准贡献集合已按照所选聚合策略进行处理。我们通过四种形式化实例展示 PoCoFL：（i）原生联邦学习；（ii）持续联邦学习；（iii）个性化联邦学习；以及（iv）阈值加密联邦学习。我们评估了策略执行对原生、个性化和持续 FL 学习目标的影响。此外，我们还实现了这四种实例的概念验证版本，展示了 PoCoFL 的通用性和实际可行性。总体而言，这些结果表明，PoCoFL 能够表达复杂的策略表示，同时不受网络拓扑的限制。