私有化与联邦随机凸优化：面向集中式系统的高效策略

本文探讨了在集中式系统中保护联邦学习隐私的挑战，重点关注可信和不可信服务器两种场景。我们在随机凸优化框架内分析此设置，并设计了确保差分隐私的方法，同时为同质和异质数据分布保持最优收敛速度。我们的方法基于一种最新的随机优化技术，具有线性计算复杂度，可与非私有联邦学习方法相媲美，并减少了梯度混淆。这项工作增强了差分隐私在联邦学习中的实用性，在多种服务器信任环境中平衡了隐私、效率和鲁棒性。