APDP-FL : Apprentissage Fédéré Personnalisé Basé sur la Confidentialité Différentielle Adaptative

L'échange fréquent de gradients et la distribution de données hétérogènes dans l'apprentissage fédéré peuvent entraîner de graves risques de fuite de confidentialité. Les stratégies traditionnelles de préservation de la confidentialité ne répondent pas aux besoins de confidentialité personnalisés des différents utilisateurs et peuvent provoquer une diminution de la précision du modèle et des difficultés de convergence. La symétrie de l'apprentissage fédéré peut entraîner l'insuffisance des mécanismes d'évaluation de la contribution pour protéger la confidentialité des détenteurs de données sensibles. Cependant, l'apprentissage fédéré évite le risque de fuite de confidentialité causé par la centralisation des données, car les données brutes sont toujours stockées sur l'appareil local pendant le processus d'entraînement, et seules les paramètres de modèle ou mises à jour de gradient chiffrées sont échangés. Pour résoudre ces problèmes, cet article propose un schéma d'apprentissage fédéré basé sur la confidentialité différentielle personnalisée adaptative, APDP-FL. Tout d'abord, nous proposons une méthode d'ajout de bruit adaptatif qui évalue chaque cycle d'entraînement en fonction des paramètres générés pendant l'entraînement et ajuste dynamiquement le niveau de bruit pour le cycle suivant. Cette méthode ajoute des échelles de bruit plus importantes aux débuts de l'entraînement, consommant moins de budget de confidentialité, et réduit progressivement l'ajout de bruit pendant l'entraînement pour accélérer la convergence du modèle. Deuxièmement, nous concevons une stratégie de protection de la confidentialité personnalisée qui ajoute un bruit adapté aux besoins individuels des clients participant en fonction de leurs préférences en matière de confidentialité. Cela résout le problème d'une protection de la confidentialité insuffisante ou excessive pour certains participants en raison de jeux de budget de confidentialité identiques pour tous les clients, atteignant ainsi une protection de la confidentialité personnalisée pour les clients. Enfin, nous réalisons d'importantes simulations expérimentales, comparaisons et analyses sur trois ensembles de données fédérées réelles, MNIST, FMNIST et CIFAR-10, vérifiant les avantages de l'APDP-FL en termes de protection de la confidentialité, de précision du modèle et de vitesse de convergence.