利用隐私可控数据摘要缓解联邦学习中的数据缺失
机器学习
2024-10-29 v4
摘要
联邦学习（FL）中训练数据的缺失及其分布变化会显著削弱模型性能，尤其在跨孤岛场景中。为应对此挑战，我们引入了带数据摘要的联邦学习（FedDig）框架。FedDig 利用一种新颖的隐私可控数据摘要表示来管理意外的分布变化。该框架允许 FL 用户通过操控控制多个低维特征混合的超参数，并对这些混合特征施加差分隐私扰动，来调整摘要的保护级别。在四个不同公共数据集上对 FedDig 的评估表明，在各种数据缺失场景下，它均以显著优势优于五种基线算法。我们还深入探究了 FedDig 的超参数，展示了其适应性。值得注意的是，FedDig 的插件设计天生可扩展且与现有 FL 算法兼容。
引用
@article{arxiv.2210.00737,
title = {Mitigating Data Absence in Federated Learning Using Privacy-Controllable Data Digests},
author = {Chih-Fan Hsu and Ming-Ching Chang and Wei-Chao Chen},
journal= {arXiv preprint arXiv:2210.00737},
year = {2024}
}