基于同态加密与RingAllreduce的去中心化联邦学习

联邦学习为解决数据的使用权与所有权分离问题提供了一种可能的解决方案,但其依赖一台中央服务器来编排训练过程,并接收全部客户端的贡献,对网络带宽要求高,并易造成单点故障或隐私泄露。该文通过引入RingAllreduce算法构建联邦学习框架,提出了一套去中心化联邦学习网络,同时引入了STC三元稀疏算法和同态加密,在多数据节点场景下实现了隐私数据保护与联邦学习模型更新,有效提升了通信性能与联邦学习系统的安全性。