כתבה
arXiv cs.AI ·
OPFL: וריפיקציה אופטימיסטית של למידה התפלגתית דרך גבול נתונים
OPFL: Optimistic Verification of Federated Learning via Empirical Boundary
OPFL היא פרקטיקה של וריפיקציה אופטימיסטית של למידה התפלגתית, שמשתמשת בגבול נתונים כדי לבדוק אם הלקוחות עוקבים אחר התהליך המוגדר. OPFL מבצעת וריפיקציה בתוך MPC, ומשתמשת בגבול נתונים כדי להבדיל בין פעולות תקינות לבין פעולות מלוות. OPFL נבדקה על LeNet, BERT ו-Qwen, והתוצאות הראו שהגבול נשמר גם במקרים שונים.
תקציר מקורי באנגליתarXiv:2609.37011v1 Announce Type: cross Abstract: Federated learning enables multiple clients to collaboratively train models without sharing their private data. However, the lack of visibility into local training makes it difficult to verify whether clients follow the prescribed training procedure or submit malicious updates, such as model poisoning. A natural approach is to replay client training for verification. However, privacy-preserving replay produces numerical results that cannot be directly matched with local client execution because the two run in different environments. We present OPFL, an optimistic verification framework for privacy-preserving federated learning. To protect data privacy, OPFL performs replay inside secure multi-party computation (MPC). Although gradients comp
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית