联邦学习中通过随机参与的隐私放大
机器学习
2022-05-04 v1 密码学与安全
摘要
在子采样的数据集而非整个数据集上运行随机算法可增强差分隐私保证。在这项工作中，我们在联邦设置下，除了对客户端本地数据集进行子采样外，还考虑客户端的随机参与。由于客户端的这种随机参与在其子采样中造成了同一客户端样本间的相关性，我们分析了相应的通过非均匀子采样的隐私放大。我们表明，当本地数据集规模较小时，通过随机参与的隐私保证接近于集中式设置（整个数据集位于单一主机中并被子采样）下的隐私保证。另一方面，当本地数据集较大时，观察算法输出可能会以高置信度披露被采样客户端的身份。我们的分析揭示，即使在这种情况下，通过随机参与的隐私保证也优于仅通过本地子采样的隐私保证。
引用
@article{arxiv.2205.01556,
title = {Privacy Amplification via Random Participation in Federated Learning},
author = {Burak Hasircioglu and Deniz Gunduz},
journal= {arXiv preprint arXiv:2205.01556},
year = {2022}
}