基于隐私联邦学习的真实世界应用——案例研究
机器学习
2025-02-11 v2 密码学与安全
摘要
本文介绍了在边缘设备上使用隐私联邦学习（PFL）进行机器学习模型训练的实现。我们引入了一个新颖的框架，该框架使用 PFL 来应对利用用户隐私数据训练模型的挑战。该框架确保用户数据保留在单个设备上，仅将必要的模型更新传输到中央服务器进行聚合，并提供隐私保证。我们详细介绍了应用选择模型的架构，该模型结合了带有注意力机制的神经网络和通过不确定性管理进行的模糊性处理。通过离线模拟和设备端训练进行的实验证明了我们的方法在真实世界场景中的可行性。我们的结果表明，PFL 有潜力通过适应随时间变化的用户行为来提高应用选择模型的准确性，同时遵守隐私标准。本研究所获得的见解对于希望实施 PFL 的行业具有重要意义，提供了一种在确保用户数据隐私的同时直接在边缘设备上训练预测模型的稳健策略。
引用
@article{arxiv.2502.04565,
title = {Private Federated Learning In Real World Application -- A Case Study},
author = {An Ji and Bortik Bandyopadhyay and Congzheng Song and Natarajan Krishnaswami and Prabal Vashisht and Rigel Smiroldo and Isabel Litton and Sayantan Mahinder and Mona Chitnis and Andrew W Hill},
journal= {arXiv preprint arXiv:2502.04565},
year = {2025}
}