面向差分隐私联邦学习的社交网络多跳隐私传播

联邦学习（FL）通过不共享本地数据实现跨去中心化客户端的协作模型训练，从而提升隐私保护并促进社交网络中客户端间的协作。然而，这些社交联系引入隐私外部性：客户端的隐私损失不仅取决于其自身的隐私保护策略，还取决于通过网络多跳交互传播的他人隐私决策。在本文中，我们提出一种社交感知隐私保留联邦学习机制，系统性地量化通过多跳传播模型所导致的间接隐私泄露。我们将服务器-客户端交互建模为两阶段斯塔克贝尔游戏，其中作为领袖的服务器优化激励政策，作为跟随者的客户端战略性选择其隐私预算——即控制添加噪声幅度的隐私保护水平。为缓解网络化隐私估计中的信息不对称，我们引入均值场估计器来近似平均外部隐私风险。我们理论证明了均值场估计器的固定点的存在性与收敛性，并推导出斯塔克贝尔纳什均衡的闭式表达式。尽管从客户端中心的激励视角设计，本机制通过价格之谷（Price of Anarchy，PoA）分析实现近似最优的社会福祉。实验在多样化数据集上表明，我们的方法在显著提升客户端效用、降低服务器成本的同时保持模型性能，优于社交无关（Social-Agnostic，SA）基线及考虑社交外部性的方法。