基于匿名空中计算的私有无线联邦学习
密码学与安全
2021-02-16 v2 机器学习
摘要
在传统联邦学习 (FL) 中，可通过在传输至参数服务器 (PS) 之前向本地模型更新注入额外噪声来获得差分隐私 (DP) 保证。在无线 FL 场景下，我们表明系统的隐私性可通过利用空中计算 (OAC) 以及对传输设备进行匿名化而得到增强。在 OAC 中，设备以同步且非编码的方式传输其模型更新，从而大幅提高可用频谱的利用效率。我们进一步利用 OAC 为传输设备提供匿名性。所提方法通过减少必须注入的噪声量，改善了私有无线 FL 的性能。
引用
@article{arxiv.2011.08579,
title = {Private Wireless Federated Learning with Anonymous Over-the-Air Computation},
author = {Burak Hasircioglu and Deniz Gunduz},
journal= {arXiv preprint arXiv:2011.08579},
year = {2021}
}
备注
To appear in IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2021