面向联邦学习的局部差分隐私：固定内存使用与客户端隐私
密码学与安全
2025-10-16 v1
摘要
联邦学习（FL）使组织能够在不共享数据集的情况下协同训练模型。尽管具有这种优势，但最近的研究表明，客户端更新和全局模型都可能泄露私人信息，这限制了在医疗保健等敏感领域的采用。局部差分隐私（LDP）通过让每个参与者在传输前对更新进行隐私处理来提供强大的保护。然而，现有的LDP方法是为集中式训练设计的，在联邦学习环境中引入了挑战，包括高资源需求可能导致客户端掉线，以及在异步参与的情况下缺乏可靠的隐私保证。这些问题削弱了模型的可推广性、公平性，并可能违反HIPAA和GDPR等法规。为了解决这些问题，我们提出了 L-RDP，这是一种为LDP设计的差分隐私方法，确保内存使用恒定且较低，以减少掉线，同时通过考虑间歇性参与提供严格的客户端隐私保证。
引用
@article{arxiv.2510.12908,
title = {Local Differential Privacy for Federated Learning with Fixed Memory Usage and Per-Client Privacy},
author = {Rouzbeh Behnia and Jeremiah Birrell and Arman Riasi and Reza Ebrahimi and Kaushik Dutta and Thang Hoang},
journal= {arXiv preprint arXiv:2510.12908},
year = {2025}
}