免费隐私：基于自适应功率控制的无编码传输无线联邦学习
信息论
2021-10-12 v4 网络与互联网体系结构
信号处理
math.IT
摘要
联邦学习（FL）指的是在训练共同学习任务时避免参与设备之间直接交换原始数据的分布式协议。通过这种方式，FL 有可能减少通过通信泄露的本地数据集信息。然而，为了提供形式化的隐私保证，通常有必要部署额外的掩码机制。当 FL 通过无编码传输在无线系统中实现时，信道噪声可直接充当引发隐私的机制。本文证明，只要以差分隐私（DP）衡量的隐私约束水平低于一个随信噪比（SNR）递减的阈值，无编码传输就能实现“免费”隐私，即不影响学习性能。更一般地，本工作研究无线 FL 中分散式梯度下降的自适应功率分配（PA），旨在隐私和功率约束下最小化学习最优性差距。研究了正交多址（OMA）和具有“空中计算”的非正交多址（NOMA）传输，并在离线优化设置下得到闭式解。此外，提出了利用迭代式一步超前优化的启发式在线方法。通过大量仿真展示了动态 PA 的重要性以及 NOMA 相对于 OMA 的潜在益处。
引用
@article{arxiv.2006.05459,
title = {Privacy For Free: Wireless Federated Learning Via Uncoded Transmission With Adaptive Power Control},
author = {Dongzhu Liu and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2006.05459},
year = {2021}
}
备注
Published in IEEE Journal on Selected Areas in Communications ( Volume: 39, Issue: 1, Jan. 2021) DOI: 10.1109/JSAC.2020.3036948