Core Concepts
複数の異種ソースデータから情報を活用し、プライバシー制約に従うことで学習を向上させる。
Abstract
フェデレーテッド学習が人気を博しており、データの異質性とプライバシーが課題となっている。
フェデレーテッド差分プライバシーの概念を厳密に定式化し、3つの統計的問題を研究。
データの異質性とプライバシーに焦点を当て、フェデレーテッド学習における基本的なコストを強調。
FTL枠組み内でFDP制約下で最適性を探求し、3つの統計問題に対する解析を行う。
FTL手順は新しいDP制約に従い、各サイトごとにプライバシー保護が提供される。
情報抽出:
各サイトが信頼できる中央サーバーなしで個別のプライバシー保証を提供する (差分プライバシー)。
Stats
各サイトが信頼できる中央サーバーなしで個別のプライバシー保証を提供する (差分プライバシー)。