面向无线联邦学习的差分隐私：隐私与收敛性的改进分析
机器学习
2026-04-28 v1
摘要
差分隐私无线联邦学习（DPWFL）是保护敏感用户数据的有前景框架，但关于如何精确表征隐私损失的基础问题仍未解决，且现有工作受限于依赖限制性凸性假设或忽略梯度剪切效应的收敛分析。为克服这些问题，我们对DPWFL的隐私与收敛进行了全面分析，针对一般光滑非凸损失目标。我们的分析显式包含设备选择和小批量抽样，表明隐私损失可收敛至常数而非随迭代次数发散。此外，我们在梯度剪切下建立了收敛保证，并推导出显式的隐私-效用权衡。数值结果验证了我们的理论发现。
引用
@article{arxiv.2603.19040,
title = {When Differential Privacy Meets Wireless Federated Learning: An Improved Analysis for Privacy and Convergence},
author = {Chen Yaoling and Liang Hao and Tu Xiaotong},
journal= {arXiv preprint arXiv:2603.19040},
year = {2026}
}
备注
5 pages, 1 figure