Jan, 2024
分层联邦学习中的差分隐私：形式化分析与评估
Differential Privacy in Hierarchical Federated Learning: A Formal Analysis and Evaluation
Frank Po-Chen Lin, Christopher Brinton
TL;DR在该研究中，我们提出了差分私有分层联邦学习（DP-HFL），这是一种增强了隐私 - 效用权衡的联邦学习方法。通过在已建立的联邦学习层次结构的不同层级（边缘设备、边缘服务器和云服务器）上根据特定子网络的信任模型进行差分隐私噪声注入，我们对 DP-HFL 的收敛行为进行了全面分析，并揭示了收敛行为的参数调整条件，这些条件决定了模型训练过程收敛到一个静止间隙情况的速度，此间隙依赖于网络层次结构、信任模型和目标隐私水平。随后的数值评估表明，DP-HFL 在不同隐私预算下提高了收敛速度，并验证了网络配置对训练的影响。