FedEM：联邦学习中兼顾隐私保护与效用保持的框架
机器学习
2025-03-11 v1
摘要
联邦学习（FL）支持跨分布式客户端协作训练模型而无需共享本地数据，从而解决了去中心化系统中的隐私问题。然而，梯度共享过程将私有数据暴露于潜在的泄露风险中，损害了 FL 在实际应用中的隐私保证。为了解决这一问题，我们提出了联邦误差最小化（FedEM），这是一种通过自适应噪声注入引入受控扰动的新型算法。该机制在保持模型性能的同时，有效缓解了梯度泄露攻击。在基准数据集上的实验结果表明，FedEM 显著降低了隐私风险并保持了模型准确率，在隐私保护与效用保持之间实现了稳健的平衡。
引用
@article{arxiv.2503.06021,
title = {FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning},
author = {Mingcong Xu and Xiaojin Zhang and Wei Chen and Hai Jin},
journal= {arXiv preprint arXiv:2503.06021},
year = {2025}
}