具有增强隐私保护的空中联邦学习
密码学与安全
2022-12-23 v1 信号处理
摘要
联邦学习(FL)已成为一种有前景的学习范式，其中仅共享本地模型参数(梯度)。私有用户数据从不离开本地设备，从而保护了数据隐私。然而，近期研究表明，即使用户从不共享本地数据，在无保护的情况下交换模型参数也会泄露隐私信息。此外，在无线系统中，当模型较大时，模型参数的频繁传输会造成巨大的带宽消耗和网络拥塞。为解决该问题，我们提出了一种高效的空中参数聚合且对用户数据和模型均具有强隐私保护的新FL框架。我们通过在终端设备引入成对可抵消随机人工噪声(PCR-ANs)来实现这一点。与现有基于空中计算(AirComp)的FL方案相比，我们的设计提供了更强的隐私保护。我们从解析上给出了所提无线FL聚合算法的保密容量与收敛速率。
引用
@article{arxiv.2212.11486,
title = {Over-the-Air Federated Learning with Enhanced Privacy},
author = {Xiaochan Xue and Moh Khalid Hasan and Shucheng Yu and Laxima Niure Kandel and Min Song},
journal= {arXiv preprint arXiv:2212.11486},
year = {2022}
}
备注
6 pages