Differentiell privates föderiertes Lernen mit adaptiven lokalen Iterationen

Durch eine theoretische Konvergenzanalyse des differentiell privaten föderierenden Lernens (DPFL) leiten wir eine Konvergenzschranke ab, die von der Anzahl der lokalen Iterationen τ abhängt. Wir verbessern die Leistung des föderierenden Lernens mit Differentialdatenschutz, indem wir dynamisch das optimale τ finden.