Buffered Asynchronous Secure Aggregation for Cross-Device Federated Learning

异步联邦学习是解决跨设备联邦学习中设备异构性挑战的有效方法。然而，由于大多数现有的安全聚合协议都是基于同步聚合的，因此异步联邦学习通常与现有的用于保护用户隐私的安全聚合协议不兼容。为了解决这个问题，本文提出了一种名为缓冲异步安全聚合（BASA）的新型安全聚合协议。与现有协议相比，BASA完全兼容异步联邦学习，并在每个用户只需要与服务器进行一轮通信而无需依赖用户之间的任何同步交互的情况下提供安全聚合。基于BASA，我们提出了第一种在不需要额外硬件要求的情况下实现安全聚合的异步联邦学习方法。我们通过实验证明，BASA在训练效率和可扩展性方面优于现有的跨设备联邦学习的安全聚合协议。

解决异步联邦学习中安全聚合问题的兼容性挑战，提出一种新的安全聚合协议BASA

提出一种缓冲异步安全聚合协议BASA，该协议与AFL兼容，并且不需要用户之间的同步交互，可以实现安全聚合

BASA协议提高了跨设备联邦学习的训练效率和可扩展性，实验结果表明BASA相对于现有的安全聚合协议具有更好的性能表现

最近的相关研究包括：Secure and Privacy-Preserving Federated Learning with Low-Resource Devices; Privacy-Preserving Federated Learning via Randomized Smoothing