非 IID 环境下辅以差分隐私合成数据的联邦学习

CVPRJun, 2022

非 IID 环境下辅以差分隐私合成数据的联邦学习

Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data

Huancheng Chen, Haris Vikalo

TL;DR本文提出了基于差分隐私均值共享的联邦学习算法 FedDPMS，该算法使用变分自编码器在保护隐私的前提下，增强本地数据集合成多样化的数据以避免数据异构性对于联邦学习的负面影响，实验表明 FedDPMS 算法比其他面向异构数据的联邦学习算法性能更佳，特别适用于深度图像分类任务。

Abstract

federated learning (FL) is a privacy-promoting framework that enables potentially large number of clients to collaboratively train machine learning models. In a FL system, a server coordinates the collaboration b

federated learning privacy data heterogeneity differentially private means sharing deep image classification

发现论文，激发创造

具差分隐私的联邦学习

我们展示了在不同类型的数据上，客户端数量和差分隐私机制的增加对模型性能的影响的实证基准，结果显示在分布式和差分隐私设置中，非独立同分布和小数据集的性能降低最为显著。

Feb, 2024

在医学图像分析中提高私有联邦模型的性能

本研究探讨联邦学习在医疗应用中的优势，分析其如何能够解决医疗数据隐私、安全及所有权等挑战，讨论如何通过本地步骤和沟通轮数的调整来进一步提高模型的性能，并提供了理论证明和实验评估的支持。

Apr, 2023

公平差分隐私联邦学习框架

通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

May, 2023

基于 GAN 数据合成的联合学习用于非独立同分布客户端

该研究提出了一种名为 Synthetic Data Aided Federated Learning (SDA-FL) 的新框架，通过共享人工合成数据来解决客户端数据的不独立和同分布性问题，从而提高本地模型的一致性并改善全局聚合效果。

Jun, 2022

局部差分隐私下联邦学习中的实用聚合

本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐私保证。

Jul, 2020

面向个性化联邦学习的群体隐私保护

该研究论文探讨了在联邦学习中使用 $d$-privacy 的方法，以保护客户的敏感信息并允许个性化模型训练以提高系统的公平性和效用。同时，使用度量基础的混淆技术来保持原始数据的拓扑分布特征，并在真实数据集上进行了证明和实验验证。

Jun, 2022

通过健壮聚类减轻联邦学习中差异隐私的不平等影响

提出了一种新颖的聚类差分私有化联邦学习算法，通过基于模型更新和训练损失值对客户进行聚类，以应对联邦学习中的不平等性和隐私保护问题。

May, 2024

FedPH: 增强隐私的异构联邦学习

提出一种新的联邦学习方法，利用预训练模型作为本地模型的骨架，使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题，在客户端之间共享类别的嵌入向量，采用加噪声的隐私保护混合方法来保护隐私，最后在自建车辆数据集上进行全面评估。

Jan, 2023

自适应局部步骤联邦学习的收敛分析驱动下差分隐私

在资源受限的情况下重新考虑差分隐私联邦学习的框架，并分析其在收敛性方面的情况，提出了自适应本地步差分隐私联邦学习 (ALS-DPFL) 算法。通过在 FashionMNIST 和 CIFAR-10 数据集上的实验，相对于以往的工作，我们取得了相当良好的性能。

Aug, 2023

使用分散聚合进行具有差分隐私的联邦学习

移动设备、隐私、实用性、联邦学习和差分隐私是该研究的主要关键词，研究通过在联邦学习中采用差分隐私的实验环境并使用基准数据集来探讨隐私与实用性之间的平衡问题。

Nov, 2023