已撤稿论文分析无线联邦学习中的差分隐私

这篇题为“当差分隐私遇上无线联邦学习：隐私与收敛性的改进分析”的论文已被作者Hao Liang撤回。该研究旨在解决现有差分隐私无线联邦学习（DPWFL）框架的局限性，特别是在严格假设下的隐私损失特征化和收敛性分析方面。作者提出了对具有非凸损失目标的DPWFL进行全面分析，包括设备选择和mini-batch采样，并旨在证明隐私损失可以收敛到一个常数。该工作还旨在建立具有梯度裁剪的收敛保证，并推导出明确的隐私-效用权衡，数值结果验证了理论发现。 AI

影响 这项研究虽然已被撤回，但探索了在无线联邦学习中提高隐私和收敛性的方法，这是在分布式数据上安全训练AI模型的一个关键领域。

排序理由 该条目是一篇已撤稿的学术论文，讨论了差分隐私和联邦学习的技术方面。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• differential privacy
• DPWFL
• Hao Liang
• Wireless Federated Learning

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →