Los autores proponen FedKT-CSD, un marco para el aprendizaje federado de un solo paso que aborda el desafío de mantener la calidad del modelo y la privacidad cuando las distribuciones de datos de los clientes divergen. El método utiliza autoencoders preentrenados públicamente para crear un espacio latente compartido donde los clientes codifican datos privados y transmiten estadísticas condicionales por clase.
- Los clientes realizan una sola pasada hacia adelante para calcular estadísticas latentes, manteniendo el cómputo del lado del cliente ligero.
- El servidor agrega estas estadísticas mediante agregación segura y añade ruido de privacidad diferencial calibrado.
- Se decodifica un conjunto de datos sintético a partir de las estadísticas agregadas para entrenar un modelo global.
- El diseño proporciona privacidad diferencial formal $(\varepsilon,\delta)$ por construcción.
FedKT-CSD escala a un gran número de clientes y es competitivo o supera a las líneas base no privadas en diversos conjuntos de datos y configuraciones de heterogeneidad.