多天线基站下的多接入衰落信道下基于差分隐私的联邦学习
机器学习
2026-01-16 v3 密码学与安全
机器学习
摘要
联邦学习 (FL) 是一种分布式学习范式，通过消除训练期间数据交换来保留隐私。在其原型边缘实例中，基于模拟的 over-the-air 计算 (AirComp) 启用无线传输，称为\emph{over-the-air FL (AirFL)}。其固有的信道噪声在“叛徒”与“盟友”之间起到独特角色：它因噪声的全局聚合而损害训练，又因提供隐私保护机制的天然随机来源而发挥作用，形式化量化为\emph{差分隐私 (DP)}。然而，面对信道失衡，尚存挑战：先前的工作在简单信道模型或受限损失函数类型的假设下，大多考虑单轮或非收敛隐私损失的（局部）DP 增强。在本文中，我们研究了在多接入衰落信道下以多天线基站为主的 AirFL，受用户级 DP 要求约束。尽管已有研究在相似设置下声称必须注入人工噪声 (AN) 以确保 DP，但我们反证证明，即使\emph{不}采用任何 AN，DP 也可作为\emph{附加品}获得。具体而言，我们推导了一个在模型参数的通用有界域假设下收敛的新型 DP 界限，同时推导了针对一般光滑非凸损失函数的收敛界限。随后，我们在接收波束赋形和功率分配上进行优化，以刻画最优的收敛性-隐私性权衡，并揭示了 DP 可在不牺牲训练效果的前提下可实现的显式条件。最后，我们的理论结果通过大量数值实验得到验证。
关键词
引用
@article{arxiv.2510.23463,
title = {Differential Privacy as a Perk: Federated Learning over Multiple-Access Fading Channels with a Multi-Antenna Base Station},
author = {Hao Liang and Haifeng Wen and Kaishun Wu and Hong Xing},
journal= {arXiv preprint arXiv:2510.23463},
year = {2026}
}
备注
13 pages, 6 figures, submitted for possible publication