超越权衡：面向隐私、鲁棒性与通信效率的联合化域学习框架
机器学习
2025-12-29 v2 分布式、并行与集群计算
信息论
math.IT
摘要
我们提出Fed-DPRoC，一个 novel 的联邦学习框架，旨在同时提供差分隐私（DP）、鲁棒性和通信效率。我们方法的核心是健壮兼容压缩的概念，这允许在不损害聚合鲁棒性的前提下减少双向通信开销。我们将框架实现为RobAJoL，集成了基于Johnson-Lindenstrauss (JL) 的压缩机制与鲁棒平均，以实现鲁棒性。我们的理论分析确立了JL变换与鲁棒平均的兼容性，确保RobAJoL保持鲁棒性保证，满足DP要求，并显著减少通信开销。我们进一步在CIFAR-10、Fashion MNIST和FEMNIST上 presented simulation results，验证了我们的理论主张。我们将RobAJoL与一个以DP为增强的state-of-the-art通信高效且鲁棒的FL方案进行比较，以公平比较，结果表明RobAJoL在不同拜占庭攻击下在鲁棒性和实用性方面均优于现有方法。
引用
@article{arxiv.2508.12978,
title = {Beyond Trade-offs: A Unified Framework for Privacy, Robustness, and Communication Efficiency in Federated Learning},
author = {Yue Xia and Tayyebeh Jahani-Nezhad and Rawad Bitar},
journal= {arXiv preprint arXiv:2508.12978},
year = {2025}
}
备注
This paper is an extended version of "Fed-DPRoC: Communication-Efficient Differentially Private and Robust Federated Learning", presented at the 3rd IEEE International Conference on Federated Learning Technologies and Applications (FLTA 2025)