通过客户端抽样实现个体化隐私的联邦学习
机器学习
2026-02-04 v2 人工智能
密码学与安全
计算机视觉与模式识别
摘要
随着对用户数据收集的日益关注，个体化隐私已成为一种有前景的解决方案，通过考虑用户隐私偏好之间的差异来平衡保护与实用性。该方法不对所有用户强制执行统一的匿名化水平，而是允许个体选择符合其舒适水平的隐私设置。基于这一思想，我们提出了一种为联邦学习（Federated Learning）启用个体化差分隐私（Individualized Differential Privacy, IDP）的改进方法，依据用户的个人隐私偏好对客户端进行处理。通过将 SAMPLE 算法从集中式设置扩展到联邦学习，计算基于其异构隐私预算的客户端特定抽样率，并将其整合到修改后的 IDP-FedAvg 算法中。我们在真实的隐私分布和多个数据集上对该方法进行测试。实验结果表明，我们的方法在均匀差分隐私基线上实现了显著的改进，减小了隐私与实用性之间的权衡。相较于相关工作中采用不同噪声尺度分配给客户端的 SCALE 方法，我们的方法表现更为突出。然而，对于数据非独立同分布（non-i.i.d.）的复杂任务仍面临挑战，主要源于分散式环境的约束。
引用
@article{arxiv.2501.17634,
title = {Federated Learning With Individualized Privacy Through Client Sampling},
author = {Lucas Lange and Ole Borchardt and Erhard Rahm},
journal= {arXiv preprint arXiv:2501.17634},
year = {2026}
}
备注
Accepted at 10th International Conference on Machine Learning Technologies (ICMLT 2025)