Dordis: Aprendizaje Federado Eficiente con Privacidad Diferencial Resiliente a la Caída

El aprendizaje federado (FL) se está implementando cada vez más entre múltiples clientes para entrenar un modelo compartido sobre datos descentralizados. Para abordar las preocupaciones de privacidad, los sistemas FL necesitan proteger los datos de los clientes contra la divulgación durante el entrenamiento y controlar la filtración de datos a través de modelos entrenados cuando se exponen a dominios no confiables. La privacidad diferencial distribuida (DP) ofrece una solución atractiva en este sentido, ya que logra un equilibrio entre privacidad y utilidad sin un servidor de confianza. Sin embargo, los mecanismos DP distribuidos existentes son imprácticos en presencia de caída de clientes, lo que resulta en pobres garantías de privacidad o precisión de entrenamiento degradada. Además, estos mecanismos sufren problemas graves de eficiencia.