論文の概要: When Differential Privacy Meets Wireless Federated Learning: An Improved Analysis for Privacy and Convergence

• arxiv url: http://arxiv.org/abs/2603.19040v1
• Date: Thu, 19 Mar 2026 15:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.233939
• Title: When Differential Privacy Meets Wireless Federated Learning: An Improved Analysis for Privacy and Convergence
• Title（参考訳）: 差別化プライバシがワイヤレスフェデレーション学習と出会う時 - プライバシと収束性に関する分析の改善
• Authors: Chen Yaoling, Liang Hao, Tu Xiaotong,
• Abstract要約: 差分プライベート無線学習(DPWFL)におけるプライバシーと収束の包括的分析について述べる。 明示的なプライバシーとユーティリティのトレードオフを導出し,その結果を数値的に検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Differentially private wireless federated learning (DPWFL) is a promising framework for protecting sensitive user data. However, foundational questions on how to precisely characterize privacy loss remain open, and existing work is further limited by convergence analyses that rely on restrictive convexity assumptions or ignore the effect of gradient clipping. To overcome these issues, we present a comprehensive analysis of privacy and convergence for DPWFL with general smooth non-convex loss objectives. Our analysis explicitly incorporates both device selection and mini-batch sampling, and shows that the privacy loss can converge to a constant rather than diverge with the number of iterations. Moreover, we establish convergence guarantees with gradient clipping and derive an explicit privacy-utility trade-off. Numerical results validate our theoretical findings.
• Abstract（参考訳）: Differentially private Wireless Federated Learning (DPWFL) は、機密性の高いユーザデータを保護するための有望なフレームワークである。 しかし、プライバシの損失を正確に評価する方法に関する基礎的な疑問は未解決のままであり、既存の研究は、限定的な凸性仮定に依存する収束分析や、勾配クリッピングの効果を無視することによって、さらに制限される。 これらの課題を克服するために,DPWFLの全般的スムーズな非凸損失目標を用いたプライバシーと収束の包括的分析を行った。 本分析では,デバイス選択とミニバッチサンプリングの両方を明示的に含み,プライバシ損失がイテレーション数に比例するのではなく一定に収まることを示す。 さらに、勾配クリッピングによる収束保証を確立し、明確なプライバシー利用トレードオフを導出する。 数値的な結果から理論的な結果が得られた。

関連論文リスト

• Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy [5.19945480121051]
  既存のプライベートアプローチは、しばしばデータ分割に依存し、効果的なサンプルサイズを減らす。 分割を回避した完全データのプライバシ保存型コンフォメーション予測フレームワークを提案する。 一般的な差分プライバシー保証は、普遍的なカバレッジフロアをもたらすが、一般的には1ドルから1ドル程度のレベルを回復することはできない。
  論文  参考訳（メタデータ） (2026-03-08T08:25:16Z)
• Subgraph Federated Learning via Spectral Methods [52.40322201034717]
  FedLapは、プライバシとスケーラビリティを確保しながら、ノード間の依存関係をキャプチャする新しいフレームワークである。 我々は、FedLapのプライバシを正式に分析し、プライバシを保存することを実証する。
  論文  参考訳（メタデータ） (2025-10-29T16:22:32Z)
• An Improved Privacy and Utility Analysis of Differentially Private SGD with Bounded Domain and Smooth Losses [26.98562734120675]
  我々は、差分的にプライベートなグラディエントDescentの厳格なプライバシとユーティリティ特性を提供する。 境界領域を持つDPSGDの場合、プライバシー損失は凸性仮定なしで収束可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-25T02:05:41Z)
• Convergent Differential Privacy Analysis for General Federated Learning: the $f$-DP Perspective [57.35402286842029]
  フェデレートラーニング(Federated Learning, FL)は、ローカルプライバシを重視した効率的な協調トレーニングパラダイムである。 ディファレンシャルプライバシ(DP)は、私的保護の信頼性を捕捉し、保証するための古典的なアプローチである。
  論文  参考訳（メタデータ） (2024-08-28T08:22:21Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Differentially Private Wireless Federated Learning Using Orthogonal Sequences [56.52483669820023]
  本稿では,FLORAS と呼ばれる AirComp 法を提案する。 FLORASはアイテムレベルとクライアントレベルの差分プライバシー保証の両方を提供する。 新たなFL収束バウンダリが導出され、プライバシー保証と組み合わせることで、達成された収束率と差分プライバシーレベルのスムーズなトレードオフが可能になる。
  論文  参考訳（メタデータ） (2023-06-14T06:35:10Z)
• On the Query Complexity of Training Data Reconstruction in Private Learning [0.0]
  我々は,ホワイトボックスの敵が学習者に対して行わなければならないクエリ数を分析し,学習データを再構築する。 例えば$(epsilon, delta)$ DPの学習者は任意のコンパクトな距離空間から引き出された訓練データを持つ。
  論文  参考訳（メタデータ） (2023-03-29T00:49:38Z)
• On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
  差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。 プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。 最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
  論文  参考訳（メタデータ） (2022-10-05T12:55:53Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。