Toward Double-Layer Data Privacy in Communication-Efficient Hierarchical Federated Learning: A Client Sampling Approach
Notice bibliographique
Résumé
Federated Learning (FL) is a promising learning paradigm that allows for training a shared model by coordinating multiple distributed devices, namely, clients, without exposing their raw data. To mitigate excessive communication overhead and enhance practicality, a variant known as Hierarchical FL (HFL) has been introduced, which integrates edge servers between the cloud server and clients. In HFL, the number of potential clients is typically large, making full client participation impractical due to various resource constraints. As a result, it is essential to develop a sampling strategy that effectively selects suitable clients for federated optimization. While several methods have been proposed to protect the privacy of communicated models, we argue that the outcomes of client sampling are closely tied to the local data of clients, thereby raising privacy concerns, like the risk of differential attacks. Motivated by this, we propose a Two-step Privacy-Preserving client Sampling framework (TPPS) designed to protect against both attacks on communicated models and potential vulnerabilities in client sampling outcomes. Initially, we consider the diverse privacy requirements of clients by presenting a double-layer noise mechanism. We then conduct a thorough analysis of the impact of this noise mechanism, proposing a novel client sampling strategy that seeks to balance the trade-off between privacy and training performance. The insight lies in maintaining a real-time sampling probability for each client, which can be acutely tuned based on personalized privacy needs and previous training feedback. We provably show that TPPS achieves local differential privacy, a bounded sampling regret, and a privacy-related convergence rate. Furthermore, we conduct extensive simulations based on open datasets, showing the robustness and applicability of TPPS in enhancing privacy while optimizing HFL performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».