通用联邦学习的收敛差分隐私分析：f-DP 视角
原文中文，约300字，阅读约需1分钟。发表于：。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。
该研究提出了差分私有分层联邦学习（DP-HFL）方法，通过在不同层级注入差分隐私噪声，提高了收敛速度，并验证了网络配置对训练的影响。
