AirMixML：用于固有隐私保护边缘机器学习的空中数据混合
网络与互联网体系结构
2021-05-04 v1 人工智能
密码学与安全
机器学习
摘要
由于信道噪声，无线信道会通过扭曲接收信号并空中叠加多个信号，从而天然具有隐私保护性。通过利用无线信道这些自然的失真与叠加，我们提出了一种在网络边缘新颖的隐私保护机器学习（ML）框架，称为空中混合 ML（AirMixML）。在 AirMixML 中，多个工作节点将其私有数据样本的模数调制信号发送给边缘服务器，服务器使用接收到的含噪且叠加的样本训练 ML 模型。AirMixML 与使用 mixup 数据增强的模型训练一致，可达到与使用原始数据样本相当的精度。从隐私角度看，AirMixML 是一种差分隐私（DP）机制，限制了工作节点私有样本信息在服务器端的泄露，而工作节点的发射功率决定了隐私泄露水平。为此，我们提出了一种分数信道反转功率控制（PC）方法，即 α-Dirichlet 混合 PC（DirMix(α)-PC），其中在信道反转后给定全局功率缩放因子的情况下，每个工作节点对叠加信号的本地功率贡献由 Dirichlet 离散比 α 控制。在数学上，我们推导了闭式表达式，阐明了本地与全局 PC 因子之间的关系，以保证目标 DP 水平。通过仿真，我们提供了 DirMix(α)-PC 设计准则，以提升精度、隐私和能效。最后，带有 DirMix(α)-PC 的 AirMixML 被证明与既无叠加也无 PC 的侵犯隐私基线相比取得了合理精度。
引用
@article{arxiv.2105.00395,
title = {AirMixML: Over-the-Air Data Mixup for Inherently Privacy-Preserving Edge Machine Learning},
author = {Yusuke Koda and Jihong Park and Mehdi Bennis and Praneeth Vepakomma and Ramesh Raskar},
journal= {arXiv preprint arXiv:2105.00395},
year = {2021}
}
备注
6 pages, 6 figures