JSAM：面向差分隐私联邦学习的隐私顾客挑选与激励机制设计
机器学习
2026-02-26 v1 分布式、并行与集群计算
计算机科学与博弈论
摘要
差分隐私联邦学习面临根本性矛盾：保护客户数据的数据隐私机制同时会产生可量化的隐私成本，导致参与度下降，破坏协同训练过程。现有激励机制依赖无偏客户挑选，迫使服务器补偿最具隐私敏感性的客户（“隐私迟缓者”），导致系统性效率低下和资源配置次优。我们提出JSAM（Joint client Selection and privacy compensAtion Mechanism），一种贝叶斯最优框架，同时优化客户挑选概率和隐私补偿，在预算约束下最大化训练效果。我们的方法通过新理论特征将复杂的2N维优化问题转化为高效的三维 Formulation。我们证明，服务器应优先选择隐私容忍度高的客户，排除高敏感性参与者，揭示了具有最小隐私敏感性的客户因频繁参与而产生最高累积成本的反直觉观察。在MNIST和CIFAR-10上的大规模评估表明，JSAM在测试准确率上较现有无偏挑选机制提升最高可达15%，同时在数据异构性不同的情况下保持成本效率。
引用
@article{arxiv.2602.21844,
title = {JSAM: Privacy Straggler-Resilient Joint Client Selection and Incentive Mechanism Design in Differentially Private Federated Learning},
author = {Ruichen Xu and Ying-Jun Angela Zhang and Jianwei Huang},
journal= {arXiv preprint arXiv:2602.21844},
year = {2026}
}