差分プライバシーが無線フェデレーテッドラーニングと出会うとき: プライバシーと収束性の改善分析

要約：差分プライバシーを備えた無線フェデレーテッド学習（DPWFL）は、機微なユーザデータを保護する有望なフレームワークです。しかし、プライバシー損失を正確に特徴づける方法に関する基礎的な問題は依然として未解決であり、既存の研究は制約の多い凸性仮定に依存する収束解析や勾配クリッピングの影響を無視することによってさらに制約されています。これらの問題を克服するために、一般的な滑らかな非凸損失関数を持つDPWFLに対するプライバシーと収束の総合的な解析を提示します。われわれの解析はデバイス選択とミニバッチサンプリングの両方を明示的に取り入れており、プライバシー損失は反復回数の増加に伴って発散するのではなく定数へ収束する可能性があることを示します。さらに、勾配クリッピングを用いた収束保証を確立し、明示的なプライバシー-有用性のトレードオフを導出します。数値結果は我々の理論的所見を検証します。