arXiv · ML· Antti Koskela, Tejas Kulkarni, Elias Raninen·· 4 小时前AI 评分21
联邦差分隐私优化：基于低秩预条件化的 DP-PCA 框架
Federated Differentially Private Optimization via Low-Rank Preconditioning
AI 导读
提出联邦 DP-PCA 框架，在安全聚合下实现线性通信成本的中心差分隐私保证。 该框架包含差分隐私秩选择、差分隐私幂迭代及低维子空间上的噪声协方差发布，解决了现有方法通信成本随维度二次增长的问题。 实证表明，该方法在通信成本仅为基准一部分的情况下，性能与二次通信成本的中心基准相匹配。
来源：arXiv · ML · arxiv.org