MMJun, 2020

免费隐私保护：通过自适应功率控制的无编码传输进行无线联邦学习

PDF
TL;DR本文研究了在无码传输方式下，信噪比（SNR）大于一定的阈值时，隐私限制测量通过差分隐私（DP）实现隐私保护，而不影响学习表现。同时研究了自适应功率分配（PA）和多址接入（OMA）和非正交多址接入（NOMA）传输等无线 Federated Learning 方案，提出了离线和启发式在线解决方案。
federated learningprivacytransmissionpower allocationwireless systems
发现论文，激发创造
  • 在 MIMO 衰落通道上实现差分隐私的无线联合学习

    本文提出在多重输入多重输出信道上运用差分隐私保护机制的联邦学习方法，以优化隐私与学习的平衡。

    Jun, 2023

  • 无线联邦学习中具有可证保证的传输学习

    本文提出了一种新的数据驱动方法，可为干扰限制的无线网络上的联邦学习分配传输功率，使用图卷积网络来参数化功率分配策略，并通过 primacy-dual 算法求解相关的约束优化问题，从而实现优化 FL 过程中服务端接收到的信息，最终提高全局 FL 模型的准确性和效率。

    Apr, 2023

  • 利用接收噪声实现差分隐私的 AirComp 联邦学习和功率自适应

    本研究旨在实现保护隐私的 AirComp-based 联邦学习，通过利用接收器噪声扰动从而防止私人数据的推断，通过调整接收信号级别以有效控制噪声扰动水平来实现差分隐私，分析了隐私和信噪比之间的权衡。

    Apr, 2020

  • 通过非相干无线计算的动态功率控制实现私有联邦学习

    在联邦学习中，通过动态功率控制的 AirComp 方案进一步保护模型权重隐私并提高模型性能，边缘设备通过激活相邻正交频分复用（OFDM）子载波传输本地随机梯度的符号，通过能量在子载波上的积累获得边缘服务器的多数表决，然后通过动态功率控制算法进一步抵消多数表决聚集值的偏差，整个方案能够减轻时间同步误差、信道衰落和噪声带来的影响，该方案的理论收敛性证明得到重新推导。

    Aug, 2023

  • 具有内在隐私的通信和能源高效的无线联邦学习

    本文提出了一种无线边缘私有联邦学习方案 PFELS，通过奇异值稀疏化降低通信通信和能源消耗，提高交付速度，保证客户端级别的差分隐私，实现共享全局模型过程中的隐私安全保障。实验结果表明，与现有技术相比，PFELS 在保持同等差分隐私保障的同时能提高准确率和节省通信和能源成本。

    Apr, 2023

  • 具有本地差分隐私的无线联邦学习

    本研究针对高斯多址信道上受局部差分隐私约束的联邦学习问题进行研究，通过研究发现，无线信道的叠加性质提供了两重好处：在保证用户隐私的情况下实现带宽高效的梯度聚合，并提出了一种私有无线梯度聚合方案，并研究了该方案的收敛速度、无线资源和隐私权衡的关系。

    Feb, 2020

  • 宽带通信中的空中联邦学习

    本文提出一种新的方法，将联合学习与 MIMO 系统的内部工作无缝集成，实现隐私保护的分布式机器学习.

    Jun, 2023

  • 无线供能联合学习网络：联合功率传输、数据感知、模型训练和资源分配

    整合无线能量传输和移动众感测实现可持续联邦学习，研究资源分配问题以最小化总完成时间。

    Aug, 2023

  • 使用正交序列的差分隐私无线联邦学习

    通过使用正交序列的特性，FLORAS 在通信设计角度消除了发送器处的信道状态信息 (CSIT) 的要求，提出了一种用于单输入单输出 (SISO) 无线联邦学习 (FL) 系统的新颖的隐私保护上行计算 (Over-the-Air Computation) 方法，并通过调整系统参数，可以在没有额外成本的情况下灵活地实现不同的差分隐私 (DP) 级别。同时，FLORAS 提供了单项和客户差分隐私保证。

    Jun, 2023

  • 利用无线信道进行可扩展和隐私保护的联邦学习

    通过模拟传输和交替方向乘法的方法（ADMM），在单个信道上利用无线通道波动和干扰来改善隐私、带宽效率和可伸缩性的可扩展联合学习机制，可实现收敛保证的隐私保护，同时提高收敛速度、可扩展性、通信带宽和能量效率。

    Jul, 2020