Apprendimento federato con maggiore tutela della privacy tramite aggregazione asincrona e perturbazione differenziale locale

Abstract degli autori

Questo studio propone un framework di apprendimento federato con maggiore tutela della privacy per affrontare il problema dell’addestramento collaborativo sicuro in ambienti con dati distribuiti. Il framework integra meccanismi di privacy differenziale dinamica (DDP), cifratura omomorfica leggera (HE) e privacy differenziale locale (LDP) per garantire la protezione della privacy dei dati durante l’addestramento dei modelli. Inoltre, il framework impiega una strategia di aggregazione asincrona con controllo delle versioni per supportare l’addestramento distribuito in ambienti asincroni. La validazione sperimentale sui benchmark CIFAR-10 e Purchase-100 dimostra che il metodo mantiene un’elevata accuratezza di classificazione (fino all’82,6%) anche in presenza di vincoli stringenti in materia di privacy (ε = 0,1), riducendo al contempo l’overhead di comunicazione del 21,3% rispetto a FedAvg. I risultati sperimentali dimostrano che questo framework bilancia efficacemente la tutela della privacy e le prestazioni del modello negli scenari di apprendimento automatico distribuito, fornendo una base tecnica scalabile per il calcolo collaborativo distribuito su larga scala.