具有任意公开交互记录的差分隐私联邦学习的一般下界
机器学习
2026-05-20 v1 统计理论
统计理论
摘要
我们证明了具有任意公开交互记录的差分隐私联邦学习协议的一般下界。该协议可以使用任意数量的自适应轮次，并且每个客户端的本地样本可以在各轮次间重复使用。对于平方 损失下的参数估计，我们为满足总客户端级样本级零集中差分隐私（zCDP）约束的每个估计器建立了一个联邦 van Trees 下界。主要技术成分是针对完整公开记录的隐私-信息收缩不等式。我们通过均值估计、线性回归和非参数回归的应用来阐明该下界。
引用
@article{arxiv.2605.19813,
title = {General Lower Bounds for Differentially Private Federated Learning with Arbitrary Public-Transcript Interactions},
author = {Yicheng Li},
journal= {arXiv preprint arXiv:2605.19813},
year = {2026}
}