萨姆兰德·哈桑Samrand Hassan

期刊论文 · 2025

面向联邦学习的隐私感知压缩:机制、方法与权衡的全面综述

Privacy-Aware Compression for Federated Learning: A Comprehensive Survey of Mechanisms, Methods, and Trade-offs

Samrand Hassan, Aras Aram, Ngin Ahmed

International Journal of Latest Research in Engineering and Technology (IJLRET), vol. 11 (12), 7–21 ·

阅读 PDF DOI 10.56581/IJLRET.11.12.07-21

摘要

联邦学习(FL)通过避免传输原始数据,使分布式客户端能够在保护数据隐私的同时协同训练模型。然而,联邦学习系统需要在隐私保护、通信效率与模型精度这三个相互竞争的目标之间取得平衡,面临严峻挑战。本综述系统梳理了通过隐私感知压缩应对这些挑战的最新方法与机制。我们采用结构化检索方法,系统回顾了 2018–2025 年间发表于主要期刊与会议的 50 篇代表性论文,并将相关方法归纳为四大类:(1)数值机制设计方法(如最小方差无偏机制与插值 MVU 机制),联合优化噪声分配与比特预算;(2)具有隐私保证的压缩方法(量化、稀疏化、压缩感知与可学习的自编码器);(3)激励相容的博弈论框架(如拍卖与契约理论),用于个性化隐私预算;(4)在边缘设备与物联网系统上的实际部署。实证结果表明,在形式化隐私约束下(如 ε ≤ 2 的差分隐私),精心设计的组合方法可将通信量降低 50–90%,同时使模型精度保持在非隐私基线的 1–3% 以内。我们指出了仍然存在的挑战,包括隐私、效用与通信之间的非线性权衡、对自适应攻击者的鲁棒性、客户端异质性以及部署可行性。最后,我们讨论了开放的研究方向,包括拜占庭鲁棒压缩、现实中的合规要求以及自适应在线压缩方案。本综述从统一视角阐明了如何协同结合机制设计、密码学与学习理论技术,构建实用、可证明隐私且通信高效的联邦学习系统。

南开大学,中国天津。

联系我

合作研究、学术报告,或一个棘手的工程难题——欢迎来信。