PTOPOFL：基于持久同调的隐私保护个性化联邦学习
机器学习
2026-03-05 v1 密码学与安全
分布式、并行与集群计算
代数拓扑
机器学习
摘要
联邦学习( FL)面临两个结构性矛盾：梯度共享会导致数据重建攻击，而非独立同分布(IID)客户端分布会降低聚合质量。我们提出PTOPOFL框架，通过用持久同调(Persistent Homology)派生的拓扑描述符取代梯度通信，同时解决上述两个挑战。客户端仅传输48维的PH特征向量——紧凑的形状概括，其许多对一映射结构使得逆向推理在信息论上严格不可行。服务器执行基于Wasserstein相似度对客户端进行聚类，聚类内模型按拓扑加权，各簇与全局共识进行混合。我们证明，在强凸损失函数下，PH描述符的每样本互信息泄露严格小于梯度，我们还在Wasserstein加权聚合方案上建立线性收敛性，误差底线严格小于FedAvg。评估FedAvg、FedProx、SCAFFOLD和pFedMe时，PTOPOFL在非IID医疗场景(8家医院，2个对抗性客户端)和病理基准(10个客户端)上的AUC分别为0.841和0.910——两个场景中均取得最高值，同时将重建风险降低约4.5倍。代码已公开于https://github.com/MorillaLab/TopoFederatedL，数据存于https://doi.org/10.5281/zenodo.18827595。
关键词
引用
@article{arxiv.2603.04323,
title = {PTOPOFL: Privacy-Preserving Personalised Federated Learning via Persistent Homology},
author = {Kelly L Vomo-Donfack and Adryel Hoszu and Grégory Ginot and Ian Morilla},
journal= {arXiv preprint arXiv:2603.04323},
year = {2026}
}
备注
22 pages, 6 Figures