可信联邦学习中保护机制参数调优的元学习框架
机器学习
2024-02-29 v3 人工智能
摘要
可信联邦学习（TFL）通常利用保护机制来保障隐私。然而，保护机制在保护数据隐私的同时不可避免地引入效用损失或效率降低。因此，应谨慎选择保护机制及其参数，以在隐私泄露、效用损失和效率降低之间取得最优权衡。为此，联邦学习从业者需要工具来衡量这三个因素并优化它们之间的权衡，以选择最适合当前应用的保护机制。受此需求驱动，我们提出一个框架，其（1）将TFL表述为寻找一种保护机制以优化隐私泄露、效用损失和效率降低之间权衡的问题，并（2）正式定义这三个因素的有界度量。我们随后提出一种元学习算法来近似该优化问题，并为代表性保护机制（包括随机化、同态加密、秘密共享和压缩）找到最优保护参数。我们进一步设计估计算法，在实际横向联邦学习设定中量化这些找到的最优保护参数，并对估计误差提供理论分析。
引用
@article{arxiv.2305.18400,
title = {A Meta-learning Framework for Tuning Parameters of Protection Mechanisms in Trustworthy Federated Learning},
author = {Xiaojin Zhang and Yan Kang and Lixin Fan and Kai Chen and Qiang Yang},
journal= {arXiv preprint arXiv:2305.18400},
year = {2024}
}