关于多基站无线系统中联邦学习的差分隐私
密码学与安全
2022-08-26 v1 机器学习
摘要
在这项工作中，我们考虑一个具有多个基站和小区间干扰的无线系统中的联邦学习模型。我们采用差分隐私方案，在学习阶段将信息从用户传输到其对应基站。我们通过推导最优性间隙的上界来展示学习过程的收敛行为。此外，我们定义一个优化问题以减小该上界和总隐私泄露。为求此问题的局部最优解，我们首先提出一种调度资源块与用户的算法。随后我们将该方案扩展，通过优化差分隐私人工噪声来减少总隐私泄露。我们将这两步过程的求解作为联邦学习系统的参数。在此设定中，我们假设每个用户配备一个分类器。此外，假设通信小区的资源块数量通常少于用户数量。仿真结果表明，与随机调度器相比，我们所提调度器提升了预测的平均准确率。此外，其带噪声优化器的扩展版本显著减少了隐私泄露量。
引用
@article{arxiv.2208.11848,
title = {On Differential Privacy for Federated Learning in Wireless Systems with Multiple Base Stations},
author = {Nima Tavangaran and Mingzhe Chen and Zhaohui Yang and José Mairton B. Da Silva and H. Vincent Poor},
journal= {arXiv preprint arXiv:2208.11848},
year = {2022}
}