A Unified Learn-to-Distort-Data Framework for Privacy-Utility Trade-off in Trustworthy Federated Learning

在本文中，我们首先介绍了基于贝叶斯隐私定义和总变差距离隐私定义的联邦学习隐私-效用均衡的理论基础。然后，我们提出了“学习扭曲数据”框架，该框架提供了一种原则性方法来通过将隐私保护机制引入的扭曲显式建模为可学习变量，并与模型参数一起进行优化来导航隐私-效用均衡。我们展示了我们的框架在基于数据扭曲的各种隐私保护机制上的适用性，并突出了它与相关领域（如对抗训练、输入鲁棒性和不可学习示例）的联系。这些联系使得可以利用这些领域的技术来设计有效的算法，以在“学习扭曲数据”框架下实现联邦学习的隐私-效用均衡。

本文旨在解决联邦学习中隐私与效用的平衡问题，提出了一种基于学习数据扭曲的框架。

本文提出了一种名为Learn-to-Distort-Data的框架，通过将隐私保护机制引入可学习变量中，从而优化模型参数和扭曲变量，以达到隐私和效用的平衡。

本文的亮点包括：1. 提出了一种新的联邦学习隐私保护框架；2. 实验结果表明，该框架在多种隐私保护机制下均具有较好的表现；3. 该框架与对抗训练、输入鲁棒性和无法学习样本等领域存在联系，可借鉴相关技术优化隐私保护。

相关研究包括：1. Google的联邦学习框架；2. 基于差分隐私的联邦学习方法；3. 针对联邦学习中隐私泄露问题的研究。