DDP-SA

联邦学习的进展提高了隐私性并降低了通信成本

研究人员开发了新的方法来增强联邦学习中的隐私和效率。一种方法侧重于通过使用 Top-K 梯度稀疏化来降低通信成本，该方法仅传输必要的梯度信息，同时保持模型准确性。另一个框架 DDP-SA 将本地差分隐私与秘密共享相结合，以确保没有任何单个服务器可以访问单个客户端数据，从而提供比现有方法更强的隐私保证。这些进展旨在使联邦学习更具可扩展性和安全性，特别是对于大型模型和去中心化系统。