不同威胁模型下去中心化 Gossip 平均化的差分隐私分析
机器学习
2026-02-06 v3 密码学与安全
分布式、并行与集群计算
摘要
由于缺乏中央聚合器且节点间的信任假设不同，在完全去中心化的机器学习中实现差分隐私（DP）保证具有挑战性。我们提出了一个框架，用于分析具有附加节点级噪声的去中心化基于 Gossip 的平均化算法的 DP，分析视角涵盖图中节点的任意视图。我们提出了一个基于线性系统公式的解析框架，可准确表征节点间的隐私泄漏。我们的主要贡献是证明了 DP 保证等同于高斯机制的保证，其中平方敏感度的增长渐近为 （ 为训练轮数），这与中央聚合的情况类似。作为敏感度分析的应用，我们证明了对于强凸损失，去中心化私有学习的过剩风险在渐近上与集中式私有学习相似。
关键词
引用
@article{arxiv.2505.19969,
title = {Differential Privacy Analysis of Decentralized Gossip Averaging under Varying Threat Models},
author = {Antti Koskela and Tejas Kulkarni},
journal= {arXiv preprint arXiv:2505.19969},
year = {2026}
}