Исследователи предлагают FedKT-CSD, фреймворк для однократного федеративного обучения, который обеспечивает строгие гарантии конфиденциальности при сохранении качества модели на гетерогенных данных клиентов. Метод использует предварительно обученные публично автоэнкодеры для создания общего латентного пространства, позволяя клиентам кодировать приватные данные и передавать только условно-классовые латентные статистики.
- Клиенты выполняют один прямой проход для вычисления латентных статистик, сохраняя вычисления и коммуникацию 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 для задач последующей обработки.
- Дизайн обеспечивает формальную $(\varepsilon,\delta)$-дифференциальную приватность по конструкции.
FedKT-CSD конкурентоспособен и превосходит непубличные базовые варианты на разнообразных наборах данных и настройках гетерогенности, эффективно масштабируясь на большое количество клиентов.