通过 $f$-差分隐私缓解去中心化联邦学习中的隐私-效用权衡

Xiang Li; Buxin Su; Chendi Wang; Qi Long; Weijie J. Su

通过 $f$-差分隐私缓解去中心化联邦学习中的隐私-效用权衡

机器学习 2025-10-24 v1 密码学与安全统计理论统计方法学机器学习统计理论

作者: Xiang Li , Buxin Su , Chendi Wang , Qi Long , Weijie J. Su

摘要

差分隐私 (DP) 去中心化联邦学习 (FL) 允许本地用户在不与中心服务器共享数据的情况下协作。然而，由于去中心化通信和本地更新等复杂算法组件的共存，准确量化私有 FL 算法的隐私预算具有挑战性。本文在 $f$ -差分隐私 ( $f$ -DP) 框架内，针对两种去中心化 FL 算法进行隐私计量。我们开发了两种新的 $f$ -DP 基于计量方法，专为去中心化环境设计：基于用户对对的 $f$ -DP (PN- $f$ -DP)，用于在随机漫步通信下量化用户对之间的隐私泄露；基于密钥的 $f$ -局部 DP (Sec- $f$ -LDP)，用于支持通过共享密钥注入结构化噪声。通过结合 $f$ -DP 理论和马尔可夫链浓度工具，我们的计量框架捕捉了稀疏通信、本地迭代和相关噪声所产生的隐私放大效应。在合成数据和真实数据集上的实验表明，我们的方法 consistently 提供更紧致的 $(\epsilon,\delta)$ 界限和更好的效用，说明 $f$ -DP 在去中心化隐私计量方面的优势。

关键词

差分隐私联邦学习 $f$-DP 隐私计量去中心化通信

引用

@article{arxiv.2510.19934,
  title  = {Mitigating Privacy-Utility Trade-off in Decentralized Federated Learning via $f$-Differential Privacy},
  author = {Xiang Li and Buxin Su and Chendi Wang and Qi Long and Weijie J. Su},
  journal= {arXiv preprint arXiv:2510.19934},
  year   = {2025}
}

备注

NeurIPS 2025 (Spotlight)

通过 $f$-差分隐私缓解去中心化联邦学习中的隐私-效用权衡

摘要

关键词

引用

备注

相关论文