同态加密 (HE) 是一种加密方法，它允许在加密数据上进行计算，而无需先解密数据。 与传统的加密不同，传统加密需要在处理之前解密数据，而 HE 允许直接对密文执行数学运算。解密后，这些运算的结果与对原始明文执行相同运算的结果相匹配。例如，如果使用 HE 加密数字 3 和 5，在加密状态下将它们相加，然后解密结果，您将得到 8。这可以在处理过程中保护数据隐私，使 HE 在必须保持加密状态的敏感数据使用场景中非常有用。
在联邦学习 (FL) 中，多个设备或服务器协同训练机器学习模型，而无需共享原始数据。相反，参与者将模型更新（如梯度或参数）发送到中央服务器进行聚合。 HE 通过确保这些更新在整个过程中保持加密来增强 FL。例如，假设一个医疗保健 FL 系统，其中医院根据患者数据训练模型。使用 HE，每家医院在发送模型更新之前对其进行加密。服务器聚合这些加密的更新，执行计算（例如，平均梯度），并返回一个加密的全局模型。只有参与者才能解密最终模型，从而防止服务器或第三方访问敏感的中间数据。这解决了 FL 中的隐私风险，例如模型更新中训练细节的潜在泄漏。
但是，将 HE 集成到 FL 中会带来实际挑战。首先，HE 运算的计算成本很高，尤其是完全同态加密 (FHE)，它支持任意计算。这会降低训练速度，使得部分同态加密 (PHE)（仅限于加法或乘法等运算）对于特定的 FL 任务更可行。其次，开发人员必须将加密方案与 FL 框架的数学运算对齐。例如，FL 中平均梯度需要加法同态性，PHE 可以有效地处理它。 Microsoft SEAL 或 PySyft 等工具提供了针对此类用例优化的 HE 库，但实施需要密码学和分布式系统方面的专业知识。 尽管存在这些障碍，但 HE 仍然是加强 FL 隐私的宝贵工具，尤其是在金融或医疗保健等受监管的行业中。