本文开发了一个名为安全分散训练框架（SDTF），无需受信任的第三方服务器，可以以较低的通信成本确保本地数据的隐私安全。提出了一种高效安全和协议（ESSP），能够共同计算私人输入的总和，可以处理整数和浮点数，无需任何数据转换。Anh-Tu Tran, The-Dung Luong, Jessada Karnjana, Van-Nam Huynh. An efficient approach for privacy preserving decentralized deep learning models based on secure multi-party computation. Neurocomputing 422 (2021) 245–262.
本文提出的SDTF在每轮训练中随机选取K个参与方并随机选取一个中心节点用来聚合各参与方的局部模型，每个参与方对自己训练的局部模型独立加噪。所有参与方的噪声之和通过ESSP来计算，ESSP在ElGamal的基础上制定出来，能够直接实现浮点数和整数和的计算，无需转变类型，计算过程不会泄露单个参与方的隐私。中心节点各参与方的加噪模型并减去通过ESSP计算出来的噪声和，得到未加噪的聚合模型。
本文还存在的主要问题是缺乏验证，文本假定半安全模型，但是没有任何方式来保证噪声和计算过程中，参与方输入到ESSP中的噪声是正确的。
2022年12月03日
标签：ESSP,multi,based,参与方,computation,Neurocomputing,approach From： https://www.cnblogs.com/FBprivacy/p/16948990.html