联邦学习中量化的影响：Rényi差分隐私视角

联邦学习（FL）是一种新兴范式，对于使用分布式数据进行隐私保护机器学习具有巨大潜力。为了增强隐私，FL可以与差分隐私（DP）结合，这涉及向模型权重添加高斯噪声。然而，FL在传输这些模型权重时面临通信开销大的重大挑战。为了解决这个问题，通常采用量化。然而，量化高斯噪声的存在给理解隐私保护带来了复杂性。本研究论文调查了量化对FL系统中隐私的影响。我们使用Rényi差分隐私（RDP）检查了量化高斯机制的隐私保证。通过推导量化高斯机制的隐私预算，我们证明较低的量化比特级别提供了更好的隐私保护。为了验证我们的理论发现，我们采用了成员推断攻击（MIA），该攻击衡量隐私泄露的准确性。数值结果与我们的理论分析一致，证实了量化确实可以增强隐私保护。这项研究不仅加深了我们对FL中隐私与通信之间相关性的理解，还强调了量化在保护隐私方面的优势。