Авторы предлагают FedKT-CSD, фреймворк для федеративного обучения за один шаг, который решает проблему поддержания качества модели и конфиденциальности при расхождении распределений данных клиентов. Метод использует предварительно обученные на публичных данных автокодировщики для создания общего латентного пространства, где клиенты кодируют приватные данные и передают условно-классовые статистики.
- Клиенты выполняют один прямой проход для вычисления латентных статистик, сохраняя вычисления на стороне клиента легковесными.
- Сервер агрегирует эти статистики через безопасную агрегацию и добавляет калиброванный шум дифференциальной приватности.
- Синтетический набор данных декодируется из агрегированных статистик для обучения глобальной модели.
- Дизайн обеспечивает формальную $(\varepsilon,\delta)$-дифференциальную приватность по конструкции.
FedKT-CSD масштабируется на большое число клиентов и конкурентоспособен или превосходит непубличные базовые методы на разнообразных наборах данных и настройках гетерогенности.