个性化联邦学习推进:群体隐私,公平与更多
原文中文,约400字,阅读约需1分钟。发表于: 。本文介绍了在联邦学习框架中处理个性化、隐私保证和公平性三者之间的相互关系,通过引入 $d$-privacy 方法,提供个性化模型训练、形式上的隐私保证和显著优于传统联邦学习模型的群体公平性。
本文介绍了个性化图形联邦学习(PGFL)框架,通过分布式连接的服务器和边缘设备协作学习特定模型,同时保护设备隐私。利用相似性,提供更相关的体验。研究了变量PGFL实现,利用差分隐私扰乱模型交换。数学分析表明,PGFL算法在线性时间内收敛于最优解。利用集群相似性会导致输出与原始解的距离受限,可通过调整超参数来调整。通过实验验证了PGFL算法的性能。