具有内在隐私的通信与能量高效无线联邦学习

联邦学习（FL）是一种协作学习框架，使边缘设备能够在保持原始数据本地化的同时协作学习全局模型。尽管 FL 避免了本地数据集直接信息的泄露，但仍可从共享模型中推断出敏感信息。为解决 FL 中的隐私问题，差分隐私（DP）机制被用于提供形式化的隐私保证。然而，当通过空中计算在无线边缘部署 FL 时，确保客户端级 DP 面临重大挑战。本文中，我们提出了一种称为带稀疏化的私有联邦边缘学习（PFELS）的新型无线 FL 方案，以利用内在信道噪声提供客户端级 DP 保证，同时降低通信与能量开销并提升模型精度。PFELS 的核心思想是每台设备先压缩其模型更新，然后根据无线信道状态自适应设计压缩模型更新的发射功率，而不添加任何人工噪声。我们给出了 PFELS 的隐私分析，并证明了 PFELS 在一般非凸和非 IID 设置下的收敛性。实验结果表明，与已有工作相比，PFELS 能在相同 DP 保证下提高精度，并同时节省通信与能量成本。