Riemannian SGD

新的联邦学习方法增强了复杂流形上的差分隐私

研究人员开发了 DP-RFedProj，一种用于联邦学习的新方法，可增强紧凑子流形上的差分隐私。该方法在固定的环境几何结构中对梯度进行私有化，允许客户端执行多个本地步骤并间歇性参与，同时保持明确的记录级 f-DP 保证。该方法确立了黎曼 SGD 和投影平均的收敛性，隐私成本取决于流形的内在维度。在联邦 PCA 和 EEG 运动想象分类上的实验表明，与欧几里得基线相比，该方法具有更高的效用，并且在相同的隐私预算下所需的噪声明显更少。