BriefGPT - AI 论文速递
·
具有稀疏化增强差分隐私的联邦立方正则牛顿学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了差分隐私联邦立方正则牛顿（DP-FCRN）算法，解决了联邦学习中的隐私泄露和通信瓶颈问题。该算法通过二阶技术在迭代复杂度上优于一阶方法，并在本地计算中加入噪声扰动以确保隐私。同时，通过稀疏化传输降低通信成本并增强隐私保证。实验证明该算法在保护隐私的前提下降低了噪声强度，并在基准数据集上验证了其有效性。
🎯
关键要点
- 提出了差分隐私联邦立方正则牛顿（DP-FCRN）算法，解决隐私泄露和通信瓶颈问题。
- 该算法利用二阶技术，在迭代复杂度上优于一阶方法。
- 在本地计算中加入噪声扰动以确保隐私。
- 通过稀疏化传输降低通信成本并增强隐私保证。
- 实验证明该算法在保护隐私的前提下降低了噪声强度。
- 在基准数据集上验证了算法的有效性。
🏷️
标签
➡️
