带稀疏化的私有联邦子模型学习
信息论
2022-06-01 v1 密码学与安全
机器学习
网络与互联网体系结构
信号处理
math.IT
摘要
我们研究了在带稀疏化的联邦子模型学习（FSL）中私有读更新写（PRUW）问题。在FSL中，机器学习模型被划分为多个子模型，每个用户仅更新与其本地数据相关的子模型。PRUW是通过读取和写入所需子模型来执行FSL的私有过程，且不泄露子模型索引或更新值给数据库。稀疏化是学习中广泛使用的概念，用户仅更新一小部分参数以降低通信成本。泄露这些所选（稀疏）更新的坐标会暴露用户隐私。我们展示了如何在带稀疏化的FSL中执行PRUW。我们提出了一种新颖方案，可私有地读取和写入任意给定子模型的任意参数，且不向数据库泄露子模型索引、更新值或稀疏更新的坐标。所提方案相比无稀疏化情形实现了显著更低的读写成本。
引用
@article{arxiv.2205.15992,
title = {Private Federated Submodel Learning with Sparsification},
author = {Sajani Vithana and Sennur Ulukus},
journal= {arXiv preprint arXiv:2205.15992},
year = {2022}
}