自适应局部步骤联邦学习的收敛分析驱动下差分隐私
原文中文,约400字,阅读约需1分钟。发表于: 。在资源受限的情况下重新考虑差分隐私联邦学习的框架,并分析其在收敛性方面的情况,提出了自适应本地步差分隐私联邦学习 (ALS-DPFL) 算法。通过在 FashionMNIST 和 CIFAR-10 数据集上的实验,相对于以往的工作,我们取得了相当良好的性能。
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设备或集群特定的模型,同时保护个体设备的隐私。研究了变量PGFL实现,利用差分隐私,特别是零集中差分隐私。数学分析表明,所提出的PGFL算法在线性时间内收敛于最优解。通过实验验证了PGFL算法的性能。