结合差分隐私的联邦学习
机器学习
2024-02-06 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）作为一种分布式机器学习，能够显著保护客户端的私有数据不被不同方共享。然而，通过分析客户端上传的参数权重，私有信息仍可能被泄露。在本报告中，我们展示了关于客户端数量及添加差分隐私（DP）机制对不同类型数据上模型性能影响的实证基准测试。我们的结果表明，在分布式和差分隐私设定下，非独立同分布和小型数据集的性能下降最为严重。
引用
@article{arxiv.2402.02230,
title = {Federated Learning with Differential Privacy},
author = {Adrien Banse and Jan Kreischer and Xavier Oliva i Jürgens},
journal= {arXiv preprint arXiv:2402.02230},
year = {2024}
}
备注
Machine Learning (ML) & Federated Learning (FL); 4 pages, 3 figures