ترجمه فارسی مقاله لنسلوت: به سوی یادگیری فدرال بیزانسی قوی و کارآمد با حفظ حریم خصوصی در رمزگذاری کاملاً همومورفیک

چکیده

In sectors such as finance and healthcare, where data governance is subject to rigorous regulatory requirements, the exchange and utilization of data are particularly challenging. Federated Learning (FL) has risen as a pioneering distributed machine learning paradigm that enables collaborative model training across multiple institutions while maintaining data decentralization. Despite its advantages, FL is vulnerable to adversarial threats, particularly poisoning attacks during model aggregation, a process typically managed by a central server. However, in these systems, neural network models still possess the capacity to inadvertently memorize and potentially expose individual training instances. This presents a significant privacy risk, as attackers could reconstruct private data by leveraging the information contained in the model itself. Existing solutions fall short of providing a viable, privacy-preserving BRFL system that is both completely secure against information leakage and computationally efficient. To address these concerns, we propose Lancelot, an innovative and computationally efficient BRFL framework that employs fully homomorphic encryption (FHE) to safeguard against malicious client activities while preserving data privacy. Our extensive testing, which includes medical imaging diagnostics and widely-used public image datasets, demonstrates that Lancelot significantly outperforms existing methods, offering more than a twenty-fold increase in processing speed, all while maintaining data privacy.

چکیده به فارسی (ترجمه ماشینی)

در بخش هایی مانند امور مالی و مراقبت های بهداشتی ، که در آن حاکمیت داده ها تحت الزامات نظارتی دقیق قرار دارد ، مبادله و استفاده از داده ها به ویژه چالش برانگیز است.یادگیری فدرال (FL) به عنوان یک الگوی یادگیری ماشین توزیع شده پیشگام افزایش یافته است که ضمن حفظ عدم تمرکز داده ها ، آموزش مدل مشترک را در چندین موسسات امکان پذیر می کند.علیرغم مزایای آن ، FL در برابر تهدیدهای مخالف ، به ویژه حملات مسمومیت در هنگام تجمع مدل ، آسیب پذیر است ، فرایندی که معمولاً توسط یک سرور مرکزی اداره می شود.با این حال ، در این سیستم ها ، مدل های شبکه عصبی هنوز توانایی سهواً به خاطر سپردن و به طور بالقوه در معرض نمونه های آموزشی فردی را دارند.این یک خطر حریم خصوصی قابل توجهی را نشان می دهد ، زیرا مهاجمان می توانند با استفاده از اطلاعات موجود در خود مدل ، داده های خصوصی را بازسازی کنند.راه حل های موجود از ارائه یک سیستم BRFL قابل استفاده و حفظ حریم خصوصی کم است که هم در برابر نشت اطلاعات و هم از نظر محاسباتی کارآمد است.برای پرداختن به این نگرانی ها ، ما Lancelot را پیشنهاد می کنیم ، یک چارچوب BRFL نوآورانه و محاسباتی کارآمد که از رمزگذاری کاملاً همرفومورفیک (FHE) استفاده می کند تا ضمن حفظ حریم خصوصی داده ها ، در برابر فعالیت های مخرب مشتری محافظت کند.آزمایش گسترده ما ، که شامل تشخیص تصویربرداری پزشکی و مجموعه داده های تصویر عمومی است ، نشان می دهد که Lancelot به طور قابل توجهی از روش های موجود بهتر عمل می کند ، و بیش از بیست و یک افزایش سرعت پردازش را ارائه می دهد ، همه در عین حال حفظ حریم خصوصی داده ها.