基于相关噪声的局部差分隐私在线联邦学习
机器学习
2025-03-13 v3 分布式、并行与集群计算
机器学习
摘要
我们提出一种局部差分隐私（LDP）在线联邦学习算法，采用时序相关噪声以在保持隐私的同时提升实用性。针对相关噪声及基于流式非独立分布（non-IID）数据的局部更新挑战，我们发展了一种扰动迭代分析方法，控制噪声对实用性的影响。此外，我们展示了如何有效管理局部更新导致的漂移误差，适用于多种非凸损失函数。基于（ε,δ）-LDP预算，我们建立了动态寄存器上界，量化了关键参数及动态环境变化强度对学习性能的影响。数值实验确认了所提算法的有效性。
引用
@article{arxiv.2411.18752,
title = {Locally Differentially Private Online Federated Learning With Correlated Noise},
author = {Jiaojiao Zhang and Linglingzhi Zhu and Dominik Fay and Mikael Johansson},
journal= {arXiv preprint arXiv:2411.18752},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2403.16542