11:29
官方账号arXiv cs.LG@Adel Javanmard, David P. Woodruff, Vahab Mirrokni
推荐理由：SSTQ把向量量化做得更省位，联邦学习通信开销和隐私保护能兼得，比vqSGD那类老方法更有效。
SSTQ
共 1 条相关 AI 资讯
8月6日
11:29
SSTQ是面向联邦学习的隐私保护向量量化框架，结合了过完备等范数紧框架、坐标子采样和一维量化。与vqSGD等既有向量量化方法相比，SSTQ避免了维度相关的方差，达到最优均方误差缩放。它用每个客户端仅ceil(log2 N)+b位实现这一效果，其中N=Θ(d)为框架大小。SSTQ含Flat Randomized Response和Metric-Aware Laplace两个变体，后者更适合高码本位宽设置。其隐私感知码本目标将码本相关的均方误差缩放从O(4^b)降至O(2^b)，并在CIFAR-10和Fashion-MNIST联邦学习任务上验证了效用与通信效率。