Para penulis mengusulkan FedKT-CSD, sebuah kerangka kerja untuk pembelajaran federated satu-sentuhan yang mengatasi tantangan mempertahankan kualitas model dan privasi ketika distribusi data klien menyimpang. Metode ini menggunakan autoencoder yang telah dilatih sebelumnya secara publik untuk membuat ruang laten bersama di mana klien mengkodekan data pribadi dan mengirimkan statistik kondisional kelas.
- Klien melakukan satu kali forward pass untuk menghitung statistik laten, menjaga komputasi sisi klien tetap ringan.
- Server menggabungkan statistik ini melalui agregasi aman dan menambahkan noise privasi diferensial yang dikalibrasi.
- Dataset sintetis didekode dari statistik yang digabungkan untuk melatih model global.
- Desain ini menyediakan privasi diferensial formal $(\varepsilon,\delta)$ secara konstruksi.
FedKT-CSD dapat diskalakan ke sejumlah besar klien dan kompetitif atau mengungguli baseline non-privasi di berbagai dataset dan pengaturan heterogenitas.