Jun, 2023

使用正交序列的差分隐私无线联邦学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 具有差分隐私的梯度稀疏化，实现高效的无线联合学习

    通过设计基于随机稀疏化算法的梯度稀疏化联邦学习框架，该框架在无线信道上进行训练，提升了训练效率且不牺牲收敛性能，同时降低了差分隐私所引起的性能下降和无线信道传输参数数量。

    Apr, 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

  • 有限功耗和隐私预算下的无线联邦平均化

    本研究提出一种差分隐私OTA-FedAvg系统，通过对齐系数进行梯度聚合并使用通道噪声保护隐私来提高学习性能，同时设计设备调度，对齐系数和FedAvg执行次数以满足隐私和功率约束。通过收敛性分析和优化方法，验证了该策略的有效性。

    May, 2023

  • 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

  • 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

  • 无线联邦学习中异构集群的隐私聚合

    本文介绍了一种私有集成学习方案，以处理联合学习中的隐私问题，并推导出信息论隐私所需的通信成本的基本限制。

    Jun, 2023

  • 具有客户端级差分隐私的二进制联邦学习

    提出了一种具有差分隐私保证的通信高效的联邦学习训练算法，采用二进制神经网络 (BNNs) 并引入离散噪声以实现客户级别的隐私保护。通过实验证明，该算法在保证隐私的同时，实现了较低的通信开销和性能提升。

    Aug, 2023

  • 通用联邦学习的收敛差分隐私分析：f-DP 视角

    本研究针对联邦学习中隐私保护不足的问题展开，探讨了现有对于噪声联邦差分隐私分析的局限性。通过引入 f-DP 分析方法，论文证明了 Noisy-FedAvg 方法在隐私保护中的收敛下界，以及 Noisy-FedProx 方法的稳定隐私下界，为联邦学习的隐私保护提供了理论支持，并可推广应用至其他差分隐私分析框架。

    Aug, 2024

  • 具有差分隐私的隐私保护联邦学习与高维计算

    本研究解决了联邦学习在物联网环境中存在的隐私威胁问题，尤其是在动态系统中加入差分隐私噪声导致的性能下降。提出的FedHDPrivacy框架结合神经符号范式与差分隐私，智慧地平衡隐私与性能，在实际制造监控案例中表现出优于传统联邦学习框架的效果，提升幅度可达38%，显示出良好的应用潜力。

    Nov, 2024