Глава 173: Secure Aggregation для Trading

Обзор

В традиционном федеративном обучении, хотя сырые данные остаются у клиента, градиенты или веса модели отправляются на центральный сервер. На высококонкурентных финансовых рынках даже эти веса могут раскрыть информацию о фирменных альфа-сигналах или порогах риска.

Secure Aggregation (SecAgg) — это криптографический протокол, который гарантирует, что сервер узнает только агрегированную сумму всех клиентских моделей и ничего об индивидуальных обновлениях.

Как это работает: Аддитивное маскирование

Протокол опирается на «маскирование» обновлений модели случайным шумом, который аннулируется при суммировании.

Обмен ключами: Клиенты (например, Торговая фирма А и Фирма Б) обмениваются секретными ключами.
Маскирование: Фирма А добавляет случайную маску $s_{AB}$ к своим весам, а Фирма Б вычитает ту же маску $s_{AB}$ из своих весов.
Передача: Обе фирмы отправляют свои «ослепленные» веса на сервер.
Агрегация: Когда сервер суммирует $(\text{Веса}A + s{AB}) + (\text{Веса}B - s{AB})$, маски идеально компенсируют друг друга, оставляя только сумму весов.

Сервер видит $W_A + s_{AB}$ и $W_B - s_{AB}$, которые выглядят как чистый случайный шум. Истинные веса никогда не раскрываются по отдельности.

Преимущества для финансов

Доверительное сотрудничество: Соперничающие фирмы могут обучать совместную модель, не доверяя центральному оркестратору.
Соответствие нормативным требованиям: Помогает соблюдать строгие требования к конфиденциальности финансовых данных.
Защита Альфы: Предотвращает атаки «модельной инверсии», когда любопытный сервер пытается восстановить частные сигналы из обновлений градиента.

Структура проекта

173_secure_aggregation_trading/
├── README.md           # Обзор на английском
├── README.ru.md        # Обзор на русском
├── docs/ru/theory.md   # Математические основы
├── python/
│   ├── model.py            # Базовая нейронная сеть
│   ├── secure_agg_core.py  # Логика маскирования/размаскирования
│   └── train.py            # Симуляция защищенного обучения
└── rust/src/
    └── lib.rs              # Оптимизированный движок маскирования