लेखकों ने FedKT-CSD का प्रस्ताव रखा है, जो एक-शॉट फेडरेटेड लर्निंग के लिए एक फ्रेमवर्क है जो ग्राहक डेटा वितरणों के अलग होने पर मॉडल गुणवत्ता और गोपनीयता बनाए रखने की चुनौती को संबोधित करता है। विधि सार्वजनिक रूप से पूर्व-प्रशिक्षित ऑटोएंकोडर्स का उपयोग करके एक साझा लैटेंट स्पेस बनाती है जहां ग्राहक निजी डेटा को एन्कोड करते हैं और वर्ग-शर्त सांख्यिकी प्रसारित करते हैं।
- ग्राहक लैटेंट सांख्यिकी की गणना करने के लिए एकल फॉरवर्ड पास करते हैं, जिससे ग्राहक-साइड कंप्यूटेशन हल्का रहता है।
- सर्वर सुरक्षित एग्रीगेशन के माध्यम से इन सांख्यिकियों को एग्रीगेट करता है और कैलिब्रेटेड अंतरणीय गोपनीयता शोर जोड़ता है।
- एक संश्लेषित डेटासेट को एग्रीगेटेड सांख्यिकी से डिकोड किया जाता है ताकि एक वैश्विक मॉडल का प्रशिक्षण किया जा सके।
- डिज़ाइन निर्माण द्वारा औपचारिक $(\varepsilon,\delta)$-अंतरणीय गोपनीयता प्रदान करता है।
FedKT-CSD बड़ी संख्या में ग्राहकों पर स्केल होता है और विविध डेटासेट और विषमता सेटिंग्स में गैर-गोपनीय बेलाइन के साथ प्रतिस्पर्धी या उनसे बेहतर प्रदर्शन करता है।