基于差分隐私选择性调优与高效通信的隐私保护联邦动作识别
计算机视觉与模式识别
2026-03-24 v1
摘要
联邦视频动作识别通过不共享原始视频数据实现协作模型训练，但面临两个关键挑战：模型暴露和通信开销。客户端与服务器之间交换的梯度可能泄露私有运动模式，而高维视频网络的全模型同步会导致显著的带宽和通信成本。为此，我们提出一种名为Federated Differential Privacy with Selective Tuning and Efficient Communication for Action Recognition的框架，简称FedDP-STECAR。我们的FedDP-STECAR框架在差分隐私（DP）下选择性地微调和扰动仅小子集任务相关层，减少信息泄露表面，同时保持视频特征的时间一致性。通过仅传输调谐层进行聚合，通信流量比全模型更新降低超过99%。在UCF-101数据集上使用MViT-B-16x4变换器的实验显示，FedDP-STECAR在集中式设置下在严格隐私（ε=0.65）下实现了最高可达**70.2%更高的准确率**，在联邦设置下实现**48%更快的训练速度**，且准确率达到**73.1%**，实现可扩展且隐私保护的视频动作识别。代码可在https://github.com/izakariyya/mvit-federated-videodp获取。
引用
@article{arxiv.2603.21305,
title = {Privacy-Preserving Federated Action Recognition via Differentially Private Selective Tuning and Efficient Communication},
author = {Idris Zakariyya and Pai Chet Ng and Kaushik Bhargav Sivangi and S. Mohammad Sheikholeslami and Konstantinos N. Plataniotis and Fani Deligianni},
journal= {arXiv preprint arXiv:2603.21305},
year = {2026}
}