通过可解释的自适应差分隐私实现隐私保护的去中心化联邦学习

去中心化联邦学习（DFL）能够在没有中央服务器的情况下进行协作模型训练，但由于共享的模型更新可能通过逆向、重建和成员推断攻击暴露敏感信息，它仍然容易受到隐私泄露的影响。差分隐私（DP）提供了形式化的保障，然而现有的支持 DP 的 DFL 方法作为黑箱运行，无法跟踪跨客户端和轮次累积的噪声，迫使每个参与者注入最坏情况的扰动，从而严重降低精度。我们提出了 PrivateDFL，这是一个新的可解释且保护隐私的框架，通过将超维计算（HD）模型与为去中心化学习量身定制的透明 DP 噪声计账器相结合来解决这一差距。HD 提供了结构化的、耐噪声的高维表示，而计账器则显式跟踪累积扰动，使得每个客户端只需添加满足其 (epsilon, delta) 预算所需的最小增量噪声。与先前的 DP-DFL 方法相比，这产生了显著更紧致且更可解释的隐私-效用权衡。在 MNIST（图像）、ISOLET（语音）和 UCI-HAR（可穿戴传感器）上的实验表明，PrivateDFL 在 IID 和非 IID 数据划分下均持续超越集中式 DP-SGD 以及 Rényi-DP Transformer 和深度学习基线方法，在 MNIST 上精度提升高达 24.4%，在 ISOLET 上超过 80%，在 UCI-HAR 上提升 14.7%，同时将推理延迟降低多达 76 倍，能耗降低多达 36 倍。这些结果使 PrivateDFL 成为适用于医疗保健、金融、人类活动监测和工业传感等隐私敏感模式识别应用的高效且可信的解决方案。未来的工作将把计账器扩展到对抗性参与、异构隐私预算和动态拓扑结构。