差分隐私在联邦学习中的应用案例

简介：
本案例探讨了差分隐私技术如何应用于联邦学习框架中，确保数据训练过程中的用户隐私安全。通过具体实施细节和实验结果，分析其有效性和实用性。 与集中式差分隐私相比，在联邦学习场景下引入差分隐私技术不仅需要关注数据层面的隐私安全问题，还需考虑用户层面（即客户端）的安全性。需要注意的是，由于添加了噪音数据，在前几轮迭代中算法可能会出现不稳定的情况。读者可以自行调整conf.json文件中的超参数值，例如梯度裁剪参数c和噪音参数sigma等，以观察不同配置对结果的影响。DP-FedAvg算法是将联邦学习的经典Federated Average方法与差分隐私技术相结合的一种方式，具体实现包括本地客户端的参数裁剪和服务端聚合时添加噪音。