AdapLDP-FL: Uma Privacidade Diferencial Local Adaptativa para Aprendizado Federado

O Aprendizado Federado (FL) é uma técnica que permite que múltiplos participantes co-treinarem modelos de aprendizado de máquina, ao mesmo tempo em que aprimora a privacidade ao evitar a exposição de dados locais. No entanto, é importante notar que, apesar de sua eficácia, ainda há um risco potencial de vazamento das informações privadas dos usuários por meio da análise de pesos durante as atualizações do FL. A Privacidade Diferencial Local (LDP) é uma técnica usada para prevenir o vazamento de informações individuais adicionando ruído aos parâmetros do modelo do usuário. No entanto, o FL baseado em LDP carece de otimização dinâmica e adaptação considerando a privacidade e a utilidade dos dados, especialmente em relação às restrições de ruído. Este artigo investiga o FL sob o cenário de otimização de ruído com LDP. Especificamente, dado um certo orçamento de privacidade, projetamos o método LDP adaptativo por meio de um escalador de ruído, que otimiza de forma adaptativa o tamanho do ruído de cada cliente. Em segundo lugar, ajustamos dinamicamente a direção do modelo após adicionar ruído, projetando uma matriz de direção, para superar o problema de deriva do modelo causado pela adição de ruídos ao modelo do cliente. Finalmente, nosso método alcança maior precisão do que alguns trabalhos existentes com o mesmo nível de privacidade e a velocidade de convergência é significativamente melhorada.