Para peneliti mengusulkan FedKT-CSD, sebuah kerangka kerja untuk pembelajaran federated satu-sentuhan yang mencapai jaminan privasi yang ketat sambil mempertahankan kualitas model di seluruh data klien yang heterogen. Metode ini memanfaatkan autoencoder yang telah dilatih sebelumnya secara publik untuk menciptakan ruang laten bersama, memungkinkan klien mengkodekan data privat dan hanya mengirimkan statistik laten bersyarat kelas.
- Klien melakukan satu kali forward pass untuk menghitung statistik laten, menjaga komputasi dan komunikasi 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 untuk tugas turunan.
- Desain ini menyediakan privasi diferensial formal $(\varepsilon,\delta)$ secara konstruksi.
FedKT-CSD kompetitif dan mengungguli baseline non-privasi di berbagai dataset dan pengaturan heterogenitas, diskalakan secara efektif ke sejumlah besar klien.