计算机科学 > 机器学习
[提交于 2023年5月5日
]
标题: 空中联邦平均算法在有限功率和隐私预算下的应用
标题: Over-the-Air Federated Averaging with Limited Power and Privacy Budgets
摘要: 为共同克服无线联邦学习(FL)的通信瓶颈和隐私泄露问题,本文研究了一个具有有限总功率预算的差分隐私空中联邦平均(DP-OTA-FedAvg)系统。 在DP-OTA-FedAvg中,梯度通过对齐系数进行对齐并在空中聚合,同时利用信道噪声来保护隐私。 我们的目标是通过联合设计设备调度、对齐系数以及联邦平均(FedAvg)的聚合轮数,在总功率和隐私约束下提高学习性能。 我们首先基于差分隐私(DP)进行隐私分析,以量化对齐系数在每次通信轮次中对隐私保护的影响。 此外,为了研究设备调度、对齐系数以及全局聚合次数如何影响学习过程,我们在凸和非凸损失函数的情况下对DP-OTA-FedAvg进行了收敛分析。 基于这些分析结果,我们制定一个优化问题,以在有限总功率和隐私预算下最小化DP-OTA-FedAvg的最优性差距。 该问题通过将其解耦为两个子问题来解决。 给定通信轮数,我们得出已调度设备数量与对齐系数之间的关系,这提供了一组设备调度和对齐系数的潜在最优解对。 得益于缩小的搜索空间,可以高效地获得最优解。 通过仿真验证了所提出策略的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.