Federated Learning with Differential Privacy: An Utility-Enhanced Approach
Created by
Haebom
Category
Empty
저자
Kanishka Ranaweera, Dinh C. Nguyen, Pubudu N. Pathirana, David Smith, Ming Ding, Thierry Rakotoarivelo, Aruna Seneviratne
개요
본 논문은 연합 학습에서 개인 정보 보호를 강화하기 위한 새로운 차등적 개인 정보 보호(DP) 기반 알고리즘을 제안합니다. 기존 연합 학습은 중앙 서버로 업로드되는 파라미터를 통해 개인 데이터가 유추될 수 있다는 한계를 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 Haar wavelet 변환과 새로운 노이즈 주입 방식을 활용하여 기존 DP 알고리즘을 개선합니다. 이를 통해 노이즈 분산의 점근적 경계를 크게 낮추고, 모델 유용성을 향상시키면서 동시에 동일한 개인 정보 보호 수준을 유지할 수 있음을 보여줍니다. 실제 데이터셋을 이용한 실험 결과는 제안된 알고리즘이 기존 접근 방식보다 우수한 성능을 보임을 입증합니다.
시사점, 한계점
•
시사점:
◦
Haar wavelet 변환과 새로운 노이즈 주입 방식을 활용하여 연합 학습에서 개인 정보 보호와 모델 유용성 간의 균형을 개선하는 새로운 방법을 제시합니다.
