通信高效且隐私可调适 mechanism——一种具有收敛分析的联邦学习方案
机器学习
2026-01-16 v1
摘要
联邦学习使多个方能够在不共享自身底层数据的情况下联合训练学习模型，为数据治理约束下的隐私保护协作提供了实用路径。continued 研究联邦学习对于解决其中的关键挑战（包括通信效率和隐私保护）至关重要。最近的一系列工作引入了一种新方法，称为 Communication-Efficient and Privacy-Adaptable Mechanism（CEPAM），同时实现了这两个目标。CEPAM 利用拒绝抽样通用量化器（RSUQ），这是一种随机向量量化器，其量化误差等效于指定的噪声，可根据需要调整以自定义方之间的隐私保护。在本工作中，我们对 CEPAM 的隐私保证和收敛性进行了理论分析。此外，我们通过实验评估了 CEPAM 的实用性，包括与其他基线方法的收敛曲线，以及不同方之间的准确性-隐私权衡。
引用
@article{arxiv.2601.10701,
title = {Communication-Efficient and Privacy-Adaptable Mechanism -- a Federated Learning Scheme with Convergence Analysis},
author = {Chun Hei Michael Shiu and Chih Wei Ling},
journal= {arXiv preprint arXiv:2601.10701},
year = {2026}
}
备注
19 pages, 5 figures. This work is submitted in part to the 2026 IEEE International Symposium on Information Theory (ISIT). arXiv admin note: substantial text overlap with arXiv:2501.12046