面向跨机构联邦学习的个性化隐私保护框架
机器学习
2023-02-24 v1
摘要
联邦学习（FL）近来作为一种有前景的分布式深度学习（DL）框架兴起，它使得基于 DL 的方法能够在客户端间协作训练而不共享私有数据。然而，在中心方主动且不诚实的情况下，单个客户端的数据可能被完美重构，导致敏感信息泄露的高可能性。此外，FL 还受限于客户端间非独立同分布（non-IID）数据，导致本地客户端数据上推理性能下降。本文提出一种新颖框架，即个性化隐私保护联邦学习（PPPFL），专注于跨机构 FL 以克服这些挑战。具体而言，我们引入模型无关元学习（MAML）算法的稳定变体，以通过差分隐私生成对抗网络（DP-GANs）生成的客户端合成数据协作训练全局初始化。收敛后，全局初始化将由客户端本地适配到其私有数据。通过大量实验，我们经验性地表明所提框架在包括 MNIST、Fashion-MNIST、CIFAR-10 和 CIFAR-100 的不同数据集上优于多个 FL 基线。
引用
@article{arxiv.2302.12020,
title = {Personalized Privacy-Preserving Framework for Cross-Silo Federated Learning},
author = {Van-Tuan Tran and Huy-Hieu Pham and Kok-Seng Wong},
journal= {arXiv preprint arXiv:2302.12020},
year = {2023}
}