具有相关噪声的差分隐私在线联邦学习

我们引入了一种新颖的差分隐私在线联邦学习算法，该算法利用时间相关噪声来增强效用，同时确保连续发布模型的隐私性。为应对差分隐私噪声和流式非独立同分布数据本地更新带来的挑战，我们开发了一种扰动迭代分析，以控制差分隐私噪声对效用的影响。此外，我们展示了在拟强凸性条件下，如何有效管理本地更新产生的漂移误差。在 $(\epsilon, \delta)$-DP 预算约束下，我们建立了整个时间范围内的动态遗憾界，量化了关键参数和动态环境变化强度的影响。数值实验证实了所提算法的有效性。