联邦$f$-差分隐私
机器学习
2021-02-24 v1 人工智能
密码学与安全
计算机视觉与模式识别
机器学习
摘要
联邦学习（FL）是一种训练范式，客户端通过反复共享信息而协作学习模型，同时不严重损害其本地敏感数据的隐私。本文引入联邦-差分隐私，一种基于高斯差分隐私框架、专为联邦设置定制的新概念。联邦-差分隐私在记录级别运作：它针对每个客户数据中单条记录向对手提供隐私保证。我们随后提出一个通用私有联邦学习框架{PriFedSync}，其容纳了大量最先进的FL算法，并可证明达到联邦-差分隐私。最后，我们在计算机视觉任务中实证展示了{PriFedSync}训练模型的隐私保证与预测性能之间的权衡。
引用
@article{arxiv.2102.11158,
title = {Federated $f$-Differential Privacy},
author = {Qinqing Zheng and Shuxiao Chen and Qi Long and Weijie J. Su},
journal= {arXiv preprint arXiv:2102.11158},
year = {2021}
}
备注
Accepted to AISTATS 2021