May, 2023
通过数据生成和参数扭曲实现隐私保存联邦学习近乎最佳效用
Towards Achieving Near-optimal Utility for Privacy-Preserving Federated Learning via Data Generation and Parameter Distortion
Xiaojin Zhang, Kai Chen, Qiang Yang
TL;DR研究在保持隐私的前提下通过数据生成和参数扭曲实现近乎最优效用的条件,提供了一种达到近乎最优效用的途径和相应的保护机制,同时提供了一种隐私与效用之间权衡的交易的上限。