Seleção de Clientes Adaptativa baseada em Privacidade Diferencial para Aprendizado Federado

Abstract

O Federated Learning (FL) é uma técnica distribuída para treinamento de modelos de aprendizado de máquina, em que os dados são processados localmente e apenas parâmetros locais são compartilhados com um servidor de agregação. Apesar dos dados dos clientes serem mantidos localmente, ainda é possível um adversário fazer um ataque de reconstrução de modelo, por exemplo. Sendo assim, este trabalho apresenta o PEGASUS que utiliza das garantias da privacidade diferencial (Differential Privacy (DP)) para mitigar ataques adversários no ambiente de FL. Além disso, o PEGASUS emprega uma estratégia de seleção de clientes que adapta dinamicamente a quantidade de dispositivos que treinam o modelo com o objetivo de lidar com o acréscimo da perda de privacidade (parâmetro ϵ da DP) ao decorrer das rodadas de comunicação. Avaliações experimentais mostram que PEGASUS reduz significativamente a perda de privacidade (58%) dos clientes participantes do treinamento e mantém bons níveis de acurácia (97%).