隐私保护联邦凸优化：通过噪声消除平衡部分参与与效率
机器学习
2025-06-04 v1
摘要
本文探讨了在部分参与下的联邦学习（Federated Learning, FL）中实现差分隐私（Differential Privacy, DP）的挑战，其中在每个时间步仅有部分机器参与。尽管先前的工作在完全参与设定下取得了最优性能，但这些方法难以扩展到部分参与场景。我们的方法通过引入一种新颖的噪声消除机制填补了这一空白，该机制在不牺牲收敛速率或计算效率的前提下保护了隐私。我们在随机凸优化（Stochastic Convex Optimization, SCO）框架内分析了我们的方法，并表明它对于同构和异构数据分布均能提供最优性能。这项工作扩展了DP在FL中的适用性，为具有部分参与的分布式系统中的隐私保护学习提供了高效且实用的解决方案。
引用
@article{arxiv.2506.02563,
title = {Privacy-Preserving Federated Convex Optimization: Balancing Partial-Participation and Efficiency via Noise Cancellation},
author = {Roie Reshef and Kfir Yehuda Levy},
journal= {arXiv preprint arXiv:2506.02563},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2407.12396