Federated Transfer Learning with Differential Privacy
带差分隐私的联邦迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论联邦迁移学习、差分隐私与极小极大率，属于统计学习与隐私理论方向，未涉及所给微观、宏观或金融计量细分领域的文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
带差分隐私的联邦迁移学习
- 研究问题
- 摘要称，联邦学习面临站点间异质性与本地数据隐私两大挑战；本文研究如何在满足隐私约束下，利用多个异质源数据集的信息提升目标数据集的学习效果。
- 方法与思路
- 作者提出联邦差分隐私概念，为每个数据集提供隐私保证且不假设存在可信中心服务器；在该隐私模型下研究一元均值估计、低维线性回归、高维线性回归与M估计四个统计问题，分析极小极大率并量化隐私代价。
- 材料陈述的贡献
- 摘要称，研究表明联邦差分隐私是介于本地差分隐私与中心差分隐私之间的中间隐私模型；分析同时考虑数据异质性与隐私，刻画两者的基本代价以及联邦学习中知识迁移的收益。
- 阅读关注点
- 阅读全文时应核对：联邦差分隐私的形式化定义与威胁模型、四个问题各自的极小极大率及其推导所依赖的假设、隐私代价与异质性代价如何分离或叠加、迁移收益在何种条件下成立。
- 阅读边界
- 仅凭摘要无法判断定理条件、常数与具体率的形式、证明是否正确，也无法确认是否经过同行评审；该文为arXiv预印本，不能据此声称已被期刊接收。
原文摘要
Federated learning has emerged as a powerful framework for analysing distributed data, yet two challenges remain pivotal: heterogeneity across sites and privacy of local data. In this paper, we address both challenges within a federated transfer learning framework, aiming to enhance learning on a target data set by leveraging information from multiple heterogeneous source data sets while adhering to privacy constraints. We rigorously formulate the notion of federated differential privacy, which offers privacy guarantees for each data set without assuming a trusted central server. Under this privacy model, we study four statistical problems: univariate mean estimation, low-dimensional linear regression, high-dimensional linear regression, and M-estimation. By investigating the minimax rates and quantifying the cost of privacy, we show that federated differential privacy is an intermediate privacy model between the well-established local and central models of differential privacy. Our analyses account for data heterogeneity and privacy, highlighting the fundamental costs associated with each factor and the benefits of knowledge transfer in federated learning.