联邦学习下个性化隐私保护研究被PVLDB录用

实验室博士生刘俊旭个性化差分隐私方向研究成果被PVLDB录用。针对机器学习场景下由模型训练带来的隐私问题，论文主要关注联邦学习中的个性化隐私保护问题，具体为个性化差分隐私保护的联邦学习、差分隐私保护的个性化联邦学习，以及个性化差分隐私保护的个性化联邦学习问题。

在机器学习模型训练过程中，为保证隐私性，最常用的一种方式就是在训练过程中给梯度信息添加噪声。而实现个性化隐私则要求不同的参与方自己决定随机噪声的分布情况。对于传统的联邦平均方法，来自不同本地模型的随机噪声将导致最终求得的全局模型具有较大的偏差，影响模型可用性。论文提出了一种更为合理的基于投影的联邦聚合方法，并构建个性化差分隐私保护的联邦学习框架，从而更好地权衡模型隐私性和可用性。