FedFDP：具有差分隐私的公平感知联邦学习
密码学与安全
2026-01-08 v6
摘要
联邦学习（FL）是一种新兴的机器学习范式，旨在解决数据孤岛问题，引起了广泛关注。然而，FL面临着与公平性和数据隐私相关的持续问题。为了同时应对这些挑战，我们提出了一种公平感知的联邦学习算法，称为FedFair。在FedFair的基础上，我们引入差分隐私，创建了FedFDP算法，该算法处理公平性、隐私保护和模型性能之间的权衡。在FedFDP中，我们开发了一种公平感知的梯度裁剪技术，以探索公平性与差分隐私之间的关系。通过收敛性分析，我们确定了最优的公平性调整参数，以实现最大模型性能和公平性。此外，我们提出了一种针对上传损失值的自适应裁剪方法，以减少隐私预算消耗。大量实验结果表明，FedFDP在模型性能和公平性方面显著超越了最先进的解决方案。
引用
@article{arxiv.2402.16028,
title = {FedFDP: Fairness-Aware Federated Learning with Differential Privacy},
author = {Xinpeng Ling and Jie Fu and Kuncan Wang and Huifa Li and Tong Cheng and Zhili Chen},
journal= {arXiv preprint arXiv:2402.16028},
year = {2026}
}
备注
Accepted by ACNS'2026