利用接收机噪声进行功率自适应的差分隐私AirComp联邦学习
网络与互联网体系结构
2021-03-23 v1 信号处理
摘要
基于空中计算（AirComp）的联邦学习（FL）通过利用同时同信道传输及由此产生的波形叠加，实现了低延迟上传以及机器学习模型的聚合。本研究旨在实现安全的基于AirComp的FL，以抵御各种隐私攻击，其中恶意中心服务器从聚合的全局模型推断客户端的私有数据。为此，本研究设计了一种差分隐私的基于AirComp的FL，其关键思想是固有地利用注入到聚合全局模型中的接收机噪声扰动，从而防止客户端私有数据被推断。然而，固有接收机噪声的方差通常不可控，这使得注入适当噪声扰动以实现期望隐私级别的过程颇具挑战性。因此，本研究设计了跨客户端的发射功率控制，其中有意调整接收信号电平以有效调控噪声扰动水平，从而实现期望的隐私级别。观察到更高的隐私级别需要更低的发射功率，这表明隐私级别与信噪比（SNR）之间存在权衡。为了更全面地理解该权衡，推导了SNR（关于隐私级别）的闭式表达式，并从解析上证明了该权衡。分析结果还表明，在可配置参数中，参与客户端的数量是在上述权衡下提升接收SNR的关键参数。分析结果通过数值评估得到了验证。
引用
@article{arxiv.2004.06337,
title = {Differentially Private AirComp Federated Learning with Power Adaptation Harnessing Receiver Noise},
author = {Yusuke Koda and Koji Yamamoto and Takayuki Nishio and Masahiro Morikura},
journal= {arXiv preprint arXiv:2004.06337},
year = {2021}
}
备注
6 pages, 4 figures