Pesquisadores propõem o FedKT-CSD, uma estrutura para aprendizado federado de um único disparo que alcança garantias rigorosas de privacidade enquanto mantém a qualidade do modelo em dados heterogêneos dos clientes. O método aproveita autoencoders pré-treinados publicamente para criar um espaço latente compartilhado, permitindo que os clientes codifiquem dados privados e transmitam apenas estatísticas latentes condicionais por classe.
- Os clientes realizam uma única passagem direta para calcular as estatísticas latentes, mantendo a computação e comunicação do lado do cliente leves.
- O servidor agrega essas estatísticas via agregação segura e adiciona ruído de privacidade diferencial calibrado.
- Um conjunto de dados sintético é decodificado das estatísticas agregadas para treinar um modelo global para tarefas subsequentes.
- O design fornece privacidade diferencial formal $(\varepsilon,\delta)$ por construção.
O FedKT-CSD é competitivo e supera as linhas de base não privadas em diversos conjuntos de dados e configurações de heterogeneidade, escalando efetivamente para um grande número de clientes.