ترجمه فارسی مقاله یادگیری نیوتنی منظم مکعبی فدرال با حریم خصوصی دیفرانسیلی تقویت‌شده با پراکندگی

چکیده

This paper investigates the use of the cubic-regularized Newton method within a federated learning framework while addressing two major concerns that commonly arise in federated learning: privacy leakage and communication bottleneck. We introduce a federated learning algorithm called Differentially Private Federated Cubic Regularized Newton (DP-FCRN). By leveraging second-order techniques, our algorithm achieves lower iteration complexity compared to first-order methods. We also incorporate noise perturbation during local computations to ensure privacy. Furthermore, we employ sparsification in uplink transmission, which not only reduces the communication costs but also amplifies the privacy guarantee. Specifically, this approach reduces the necessary noise intensity without compromising privacy protection. We analyze the convergence properties of our algorithm and establish the privacy guarantee. Finally, we validate the effectiveness of the proposed algorithm through experiments on a benchmark dataset.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی استفاده از روش نیوتن تنظیم شده مکعب در یک چارچوب یادگیری فدرال در حالی که به دو نگرانی اساسی که معمولاً در یادگیری فدرال بوجود می آیند ، بررسی شده است: نشت حریم خصوصی و تنگناهای ارتباطی.ما یک الگوریتم یادگیری فدراسیون به نام Newton با تنظیم مکعب فدرال متفاوت فدرال (DP-FCRN) را معرفی می کنیم.با استفاده از تکنیک های مرتبه دوم ، الگوریتم ما در مقایسه با روش های مرتبه اول به پیچیدگی تکرار پایین می رسد.ما همچنین برای اطمینان از حفظ حریم خصوصی ، آشفتگی سر و صدا را در طول محاسبات محلی شامل می کنیم.علاوه بر این ، ما در انتقال uplink از پراکندگی استفاده می کنیم ، که نه تنها هزینه های ارتباطی را کاهش می دهد بلکه ضمانت حفظ حریم خصوصی را تقویت می کند.به طور خاص ، این رویکرد شدت نویز لازم را بدون به خطر انداختن حفاظت از حریم خصوصی کاهش می دهد.ما خصوصیات همگرایی الگوریتم خود را تجزیه و تحلیل می کنیم و ضمانت حریم خصوصی را تعیین می کنیم.سرانجام ، ما اثربخشی الگوریتم پیشنهادی را از طریق آزمایشات روی یک مجموعه داده معیار تأیید می کنیم.