FL-SMPC++: A robust framework for privacy-preserving federated learning
Notice bibliographique
Résumé
Federated Learning (FL) offers a promising paradigm for privacy-preserving collaborative training, yet it remains highly vulnerable to adversarial behaviors, client unreliability, and challenges associated with non-independent and identically distributed (non-IID) data. Existing secure aggregation techniques, while preserving confidentiality, fail to guarantee the integrity and trustworthiness of model updates, leaving FL deployments exposed to poisoning and consistency attacks. This work introduces FL-SMPC++, a robust and privacy-preserving FL framework designed to address these challenges. The primary objective is to develop a scalable solution that ensures verifiable, privacy-preserving aggregation while mitigating malicious client behaviors, dropouts, and data heterogeneity. Our approach integrates Secure Multi-Party Computation (SMPC), Pedersen commitments, and zero-knowledge proofs (ZKPs) to cryptographically bind clients' submitted updates to their validation outcomes without revealing private data. We propose a dynamic client selection strategy based on shared validation performance, a dropout-tolerant threshold aggregation protocol, and a warm-up initialization phase to counteract non-IID distributions. Comprehensive experiments on MNIST, CIFAR-10, FEMNIST, and UCI Heart Disease show that FL-SMPC++ consistently outperforms FedAvg, FedProx, and FedNova. For example, under a label-flipping attack with 30% malicious clients on CIFAR-10 (non-IID), FL-SMPC++ achieves 78.9% accuracy compared to 67.4% for FedAvg, representing an absolute gain of 11.5%. Across datasets, the framework limits accuracy degradation to 6–8% under attack, while baselines suffer 13–20% losses. These results demonstrate that FL-SMPC++ achieves strong cryptographic privacy guarantees together with empirically validated resilience and convergence, offering a scalable and practical blueprint for trustworthy FL in adversarial and resource-constrained environments. • A novel FL framework combines SMPC, commitments, and zero-knowledge proofs. • Ensures submitted model updates match validated ones without revealing them. • Uses dynamic validation for secure and fair client selection. • Tolerates client dropouts using a threshold-based aggregation mechanism. • Outperforms baseline FL methods under adversarial and non-IID conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».