Os autores propõem o FedKT-CSD, uma estrutura para aprendizado federado de um único passo que aborda o desafio de manter a qualidade do modelo e a privacidade quando as distribuições de dados dos clientes divergem. O método usa autoencoders pré-treinados publicamente para criar um espaço latente compartilhado onde os clientes codificam dados privados e transmitem estatísticas condicionais à classe.
- Os clientes realizam uma única passagem direta para calcular estatísticas latentes, mantendo o processamento do lado do cliente leve.
- O servidor agrega essas estatísticas por meio de agregação segura e adiciona ruído de privacidade diferencial calibrado.
- Um conjunto de dados sintético é decodificado a partir das estatísticas agregadas para treinar um modelo global.
- O design fornece privacidade diferencial formal $(\varepsilon,\delta)$ por construção.
O FedKT-CSD escala para um grande número de clientes e é competitivo ou supera as linhas de base não privadas em diversos conjuntos de dados e configurações de heterogeneidade.