具有记录级个性化差分隐私的跨孤岛联邦学习

通过差分隐私增强的联邦学习（FL）已成为一种流行的方法，通过在训练过程中保护客户端的贡献来更好地保护客户端数据的隐私。现有解决方案通常假设所有记录具有统一的隐私预算，并提供一刀切的解决方案，这可能不足以满足每条记录的隐私要求。在本文中，我们探索了具有记录级个性化差分隐私的跨孤岛联邦学习这一未知领域。我们设计了一个名为rPDP-FL的新颖框架，采用两阶段混合采样方案，结合统一的客户端级采样和非统一的记录级采样，以适应不同的隐私要求。一个关键且非平凡的问题是如何在给定个性化隐私预算ε的情况下确定理想的每条记录采样概率q。我们引入了一种名为Simulation-CurveFitting的通用解决方案，使我们能够揭示q和ε之间非线性相关性的重要见解，并推导出一个优雅的数学模型来解决该问题。我们的评估表明，与不考虑个性化隐私保护的基线相比，我们的解决方案可以提供显著的性能提升。