具有自动调优压缩的私有联邦学习
机器学习
2023-07-21 v1 机器学习
摘要
我们提出了在私有联邦学习中减少通信的新技术，无需设置或调优压缩率。我们的即时方法根据训练过程中引发的误差自动调整压缩率，同时通过安全聚合和差分隐私保持可证明的隐私保证。我们的技术在均值估计上是可证明实例最优的，这意味着它们能以最小的交互性适应“问题的难度”。我们在真实世界数据集上展示了我们方法的有效性，在无需调优的情况下实现了有利的压缩率。
引用
@article{arxiv.2307.10999,
title = {Private Federated Learning with Autotuned Compression},
author = {Enayat Ullah and Christopher A. Choquette-Choo and Peter Kairouz and Sewoong Oh},
journal= {arXiv preprint arXiv:2307.10999},
year = {2023}
}
备注
Accepted to ICML 2023