基于可重构智能表面的差分隐私联邦学习
信号处理
2022-04-01 v1 密码学与安全
信息论
机器学习
math.IT
摘要
联邦学习（FL）作为一种颠覆性机器学习范式，能够在无需共享分散本地数据集的情况下协同训练全局模型，其应用范围广泛涵盖从物联网（IoT）到生物医学工程与药物发现等领域。为支持无线网络上的低时延、高隐私 FL，本文提出一种由可重构智能表面（RIS）赋能的空中联邦学习系统，以缓解学习精度与隐私之间的两难困境。这是通过同时利用 RIS 的信道传播可重构性来增强接收信号功率，以及利用空中计算（AirComp）的波形叠加特性实现快速模型聚合来达成的。考虑到高维本地模型更新跨多个通信块传输的实际场景，我们刻画了差分隐私联邦优化算法的收敛行为。我们进一步构建了一个系统优化问题，在隐私与功率约束下通过联合设计发射功率、人工噪声和 RIS 相移来优化学习精度，并为此开发了两步交替最小化框架。仿真结果验证了我们的系统性、理论性与算法性成果，并表明 RIS 能为空中 FL 系统实现隐私与精度间更优的权衡。
引用
@article{arxiv.2203.17028,
title = {Differentially Private Federated Learning via Reconfigurable Intelligent Surface},
author = {Yuhan Yang and Yong Zhou and Youlong Wu and Yuanming Shi},
journal= {arXiv preprint arXiv:2203.17028},
year = {2022}
}
备注
16 pages, 11 figures