具有Top r稀疏化的联邦学习中速率-隐私-存储的权衡
信息论
2022-12-20 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
我们研究了在具有top r稀疏化的联邦学习（FL）中速率、隐私和存储之间的权衡，其中FL系统中的用户和服务器在FL过程中分别只共享更新和参数中最显著的r和r'部分，以降低通信成本。我们提出了在增加存储成本的前提下，保证用户发送的稀疏更新的值和索引的信息论隐私的方案。为此，我们推广了该方案，通过允许一定量的信息泄露来降低存储成本。因此，我们沿着所提出的两种方案的思路，给出了在具有top r稀疏化的私有FL中通信成本、存储成本和信息泄露之间的一般权衡关系。
引用
@article{arxiv.2212.09704,
title = {Rate-Privacy-Storage Tradeoff in Federated Learning with Top $r$ Sparsification},
author = {Sajani Vithana and Sennur Ulukus},
journal= {arXiv preprint arXiv:2212.09704},
year = {2022}
}