一种基于动态量化的联邦学习隐私增强新方案
最优化与控制
2025-09-03 v6
摘要
联邦学习 (FL) 被广泛视为保护机器学习中原始数据隐私的有前景的范例。尽管 FL 中的数据隐私在本地部分得到一定保护，但仍有望提升隐私性并减轻因重复传输模型参数而产生的通信开销。通常，这些挑战是分别或通过由噪声注入隐私机制和通信压缩组成的统一方案来解决的，但可能因引入的复合噪声而导致模型损坏。本文提出了一种新型模型分割隐私保护联邦学习 (MSP-FL) 方案，以实现精确准确性保证的隐私联邦学习。基于 MSP-FL，我们进一步提出了一种带动态量化的模型分割隐私保护联邦学习 (MSPDQ-FL)，以减轻通信开销，通过缩小量化区间来减少量化误差。我们在非独立同分布数据集、部分客户端参与和有限量化水平下，对 MSP-FL 和 MSPDQ-FL 提供了隐私和收敛分析。数值结果表明，所提出的方案优于现有方法。
引用
@article{arxiv.2405.16058,
title = {A Novel Privacy Enhancement Scheme with Dynamic Quantization for Federated Learning},
author = {Yifan Wang and Xianghui Cao and Shi Jin and Mo-Yuen Chow},
journal= {arXiv preprint arXiv:2405.16058},
year = {2025}
}