BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
- 提出个性化图形联邦学习（PGFL）框架，支持分布式服务器与边缘设备协作学习。
- PGFL框架维护个体设备隐私，利用不同模型之间的相似性。
- 研究了变量PGFL实现，采用差分隐私，特别是零集中差分隐私。
- 数学分析表明PGFL算法在线性时间内收敛于最优解。
- 利用集群之间的相似性可以限制输出与原始解的距离，超参数可调。
- 通过合成数据和MNIST数据集进行回归和分类实验验证PGFL算法性能。
➡️
