arXiv · ML· Antti Koskela, Tejas Kulkarni·· 6 小时前AI 评分25
去中心化学习差分隐私分析：集中速率条件与近乎紧的隐私保证
Differential Privacy of Decentralized Learning: Centralized Rate Conditions and Nearly Tight Guarantees
AI 导读
该研究分析了图中带独立高斯噪声的 gossip 平均算法的差分隐私，将多步 gossip 的隐私损失刻画为高斯机制问题。 隐私保证的增长由 gossip 矩阵对应的 Toeplitz 符号控制；在可计算条件下，其效用界可匹配可信中心聚合器的表现。
来源：arXiv · ML · arxiv.org