Crammer-Singer

新框架提供私有和鲁棒的联邦多类别分类

研究人员开发了一种新的联邦多类别分类框架，该框架同时提供差分隐私和分布鲁棒性。这种方法能够在不集中敏感数据的情况下，跨多个站点进行协作模型训练，同时保护个体记录并处理标签噪声。该方法利用具有 Crammer-Singer 损失的差分隐私联邦 Wasserstein 分布鲁棒目标，并通过基于 ADMM 的算法求解。实验表明，与现有的差分隐私联邦方法相比，该方法在严格的隐私约束下尤其有效。