黎曼流形上具有差分隐私的联邦学习
最优化与控制
2024-04-17 v1 密码学与安全
机器学习
摘要
近年来，联邦学习（Federated Learning, FL）已成为分布式机器学习中的一个突出范式。尽管 FL 系统对智能体的信息提供了部分保护，但恶意对手仍可能通过各种手段推断出敏感信息。在本文中，我们基于差分隐私（Differential Privacy, DP）技术，提出了一个定义在黎曼流形上的通用隐私 FL 框架（PriRFed）。我们在建立收敛性质的同时分析了隐私保证。据我们所知，这是首个具有隐私保证和收敛结果的黎曼流形上的联邦学习框架。在合成数据集和真实世界数据集上进行了数值模拟，以展示所提出的 PriRFed 方法的有效性。
引用
@article{arxiv.2404.10029,
title = {Federated Learning on Riemannian Manifolds with Differential Privacy},
author = {Zhenwei Huang and Wen Huang and Pratik Jawanpuria and Bamdev Mishra},
journal= {arXiv preprint arXiv:2404.10029},
year = {2024}
}