动态隐私联邦学习框架

隐私预算自适应

通过动态调整隐私预算和聚合权重，在保护隐私的同时提升全局模型在异构边缘环境下的收敛速度和准确率。

Zheng, Li · Duan, Mingxing · Siyang, Yu · 杨文婧

IEEE Transactions on Consumer Electronics 2024

技术优势

隐私攻击难奏效

通过评估本地模型隐私状况并动态调整隐私预算，在保证隐私保护水平的同时降低噪声对全局模型的影响。

异构环境照样准

利用合成数据计算最优权重并依此聚合参数，即使部分边缘设备数据质量较差，全局模型仍能保持高准确率。

应用场景

• 移动边缘计算：在边端设备上协同训练模型，降低通信时延并减轻云服务压力。
• 边缘智能：在异构边缘环境下动态加权聚合，保障智能服务质量。
• 隐私保护联邦学习：不牺牲模型精度即可抵御成员推理攻击，保护用户隐私。