Los investigadores proponen FedKT-CSD, un marco para el aprendizaje federado de un solo disparo que logra garantías de privacidad rigurosas mientras mantiene la calidad del modelo en datos heterogéneos de los clientes. El método aprovecha autoencoders preentrenados públicamente para crear un espacio latente compartido, permitiendo a los clientes codificar datos privados y transmitir solo estadísticas latentes condicionales por clase.
- Los clientes realizan un único pase hacia adelante para calcular las estadísticas latentes, manteniendo ligera la computación y comunicación del lado del cliente.
- El servidor agrega estas estadísticas mediante agregación segura y añade ruido de privacidad diferencial calibrado.
- Un conjunto de datos sintético se decodifica a partir de las estadísticas agregadas para entrenar un modelo global para tareas posteriores.
- El diseño proporciona privacidad diferencial formal $(\varepsilon,\delta)$ por construcción.
FedKT-CSD es competitivo y supera a los lineamientos base no privados en diversos conjuntos de datos y configuraciones de heterogeneidad, escalando eficazmente a un gran número de clientes.