联邦子模型学习中私有读更新写的率失真权衡
信息论
2022-06-08 v1 密码学与安全
网络与互联网体系结构
信号处理
math.IT
摘要
我们研究了联邦子模型学习（FSL）中私有读更新写（PRUW）的率失真权衡。在FSL中，机器学习（ML）模型根据用于训练的不同类型数据被划分为多个子模型。每个用户仅下载并更新与其本地数据相关的子模型。在保证子模型索引及更新值隐私的前提下下载并更新所需子模型的过程称为PRUW。本工作中，我们研究当在读（下载）和写（上传）阶段允许预定量的失真时，如何降低PRUW的通信代价。我们刻画了PRUW中的率失真权衡，并给出了一种在给定失真预算下以最低通信代价实现的方案。
引用
@article{arxiv.2206.03468,
title = {Rate Distortion Tradeoff in Private Read Update Write in Federated Submodel Learning},
author = {Sajani Vithana and Sennur Ulukus},
journal= {arXiv preprint arXiv:2206.03468},
year = {2022}
}