DPFNAS：面向6G边缘智能的差分隐私增强型联邊神经网络架构搜索
机器学习
2025-09-30 v1 人工智能
摘要
六代网络（6G）致力于将人工智能（AI）作为核心目标，通过边缘智能实现端侧数据利用。为实现这一愿景，联邦学习（FL）已成为跨边缘设备协同训练的关键范式。然而，边缘数据的敏感性和异构性为联邦学习带来关键挑战：参数共享可能导致数据重建，统一的全局模型难以适应多样化的本地分布。本文提出一种新型联邦学习框架，集成了个人化差分隐私（DP）与自适应模型设计。为保护训练数据，我们利用样本级表征进行知识共享，并应用个人化DP策略以抵御重建攻击。为确保隐私约束下的分布感知适应性，我们开发了一种隐私感知的神经网络架构搜索（NAS）算法，生成本地定制化的架构和超参数。迄今为止，本文是首个为基于表示的联邦学习量身定制的个人化DP解决方案，具备理论收敛保证。该方案在保障训练数据隐私的同时，显著优于当前最先进方法在模型性能方面的表现。在CIFAR-10和CIFAR-100基准数据集上的实验表明，本方案相较于联邦NAS方法PerFedRLNAS提高了6.82%的准确率，同时将模型规模压缩至1/10，通信成本降低至1/20。
引用
@article{arxiv.2509.23030,
title = {DPFNAS: Differential Privacy-Enhanced Federated Neural Architecture Search for 6G Edge Intelligence},
author = {Yang Lv and Jin Cao and Ben Niu and Zhe Sun and Fengwei Wang and Fenghua Li and Hui Li},
journal= {arXiv preprint arXiv:2509.23030},
year = {2025}
}