Les chercheurs proposent FedKT-CSD, un cadre pour l'apprentissage fédéré en un seul passage qui atteint des garanties de confidentialité rigoureuses tout en maintenant la qualité du modèle sur des données clients hétérogènes. La méthode exploite des autoencodeurs pré-entraînés publiquement pour créer un espace latent partagé, permettant aux clients d'encoder des données privées et de transmettre uniquement des statistiques latentes conditionnelles par classe.
- Les clients effectuent un seul passage avant pour calculer les statistiques latentes, maintenant le calcul et la communication côté client légers.
- Le serveur agrège ces statistiques via une agrégation sécurisée et ajoute du bruit de confidentialité différentielle calibré.
- Un jeu de données synthétique est décodé à partir des statistiques agrégées pour entraîner un modèle global pour des tâches en aval.
- La conception fournit une confidentialité différentielle formelle $(\varepsilon,\delta)$ par construction.
FedKT-CSD est compétitif et surpasse les lignes de base non privées sur divers jeux de données et configurations d'hétérogénéité, s'adaptant efficacement à un grand nombre de clients.