作者：罗易凡
（图片来源于网络）
研究背景
研究方法
“无尽”的隐私预算分配：通过引入时间块隐私组合定理来考虑时间块粒度上的隐私损失，而不是整个数据流，保障每一个时间块都有隐私资源可以分配来保障可以服务不断到达的联邦学习训练任务。 细颗粒度的隐私预算调度：设计了一种分配和回收非可再生隐私资源（如图2所示），以服务更多联邦学习任务。具体来说，当新联邦学习任务到达时，平台首先考量现有隐私预算以及当前任务的预算需求，分配既定的预算给当前任务。当任务结束后，多余的预算将会回收到预算池中供其他任务使用。
图1. 基于隐私资源调度的差分隐私联邦学习平台
图2. 细颗粒度的隐私预算调度
研究结果
本文中的最主要结论在于通过实验仿真展示其设计的差分隐私联邦学习平台对于现有的平台，提升了一倍以上的任务完成率，并且降低了至少50%的服务出错率。
具体来说，本文对比现有的主流规划算法：先到先服务（FCFS）、服务预算要求最低的（SJF）、隐私块为主导的公平分配机制（DPF）。得到的仿真结果如图3所示。
图3. 任务完成数量以及服务出错率的实验仿真对比
在不同数量的联邦学习任务下，本文提出的算法对比其他主流算法都有着显著的提升。
综合来看，本文提出的算法提升了2.1倍的任务完成数量，并且降低了55.2%的服务出错率。
参考文献
[1] Yuan, Jinliang, et al. "Privacy as a Resource in Differentially Private Federated Learning." In Proceedings of IEEE INFOCOM, 2023.
写在最后
我们的文章可以转载了呢~欢迎转载与转发呦
想了解更多前沿科技与资讯？
点击上方入口关注我们！
欢迎点击右上方分享到朋友圈
香港中文大学（深圳）
网络通信与经济实验室
微信号 : ncel_cuhk
