近期，网络空间安全学院许光午教授团队在机器学习领域的研究成果“AegisFL: Efficient and Flexible Privacy-Preserving Byzantine-Robust Cross-silo Federated Learning”被机器学习国际顶级会议ICML 2024接收（CCF-A类会议）。该论文的第一作者为学院博士研究生陈栋，合作作者为学院博士研究生渠宏源，通讯作者为学院许光午教授，加拿大2.8预测在线预测pc是该论文的第一单位。

隐私保护拜占庭鲁棒性联邦学习（PBFL）是新一代联邦学习设计的目标。但是现有PBFL方案面临三大问题：1.计算负担重；2.缺乏灵活性；3.需将全局模型暴露给服务器。本文深入分析了同态加密与鲁棒性聚合算法的耦合关系，为PBFL量身定做了一套编码方案，其与基于环上容错学习问题(RLWE)的全同态加密完美契合。本方案中服务器只需执行一次密文乘法就可根据需求构造各类鲁棒性聚合算法且全局模型只属于诚实的客户端。实验结果表明该方案同时具备隐私性、鲁棒性、高效性、准确性和灵活性。

ICML由国际机器学习学会（IMLS）主办，是机器学习领域历史最悠久的、规模最大、影响最广的顶级学术会议之一。

图：陈栋

文：陈栋 仝乐

审核：魏普文