压缩提升差分隐私联邦学习

压缩感知可在不牺牲隐私的前提下提升差分隐私联邦学习的模型质量。差分隐私通过向交换的更新向量加噪来抵御基于截获梯度的推断与重建攻击，但噪声量与模型规模成正比，模型过大时会导致质量下降。在 2 个数据集上的实验显示，该方案通信成本最多降低 95%，与传统非隐私保护联邦学习相比性能损失可忽略。