IEEE Open Journal of Vehicular Technology專題文章分享 (一種面向無線聯邦學習差分隱私保護的跨層框架)

IEEE Open Journal of Vehicular Technology (OJVT) 是一本開放獲取的全電子期刊，發表原創高質量論文，涵蓋移動無線電、機動車輛和陸地交通領域電氣和電子工程的理論、實驗和操作層面。我們的期刊不僅歡迎原創高質量論文，也歡迎以行業為中心的出版物，重點關注研究成果并提出對進行類似研究的人員有用的想法。

我們的首篇月度專題文章由俄亥俄州立大學（The Ohio State University）和密歇根大學安娜堡分校（University of Michigan, Ann Arbor）的研究人員合作完成。該論文創新性地利用無線通信介質，通過設計一種適用于空中聯邦學習（over-the-air federated learning）的分布式動態功率控制策略，在實現差分隱私的同時增強了系統的隱私保護能力。

Providing Differential Privacy for Federated Learning Over Wireless: A Cross-Layer Framework

Jiayu Mao; Tongxin Yin; Aylin Yener; Mingyan Liu

Published in Volume 7, IEEE Open Journal of Vehicular Technology

https://ieeexplore.ieee.org/document/11429089

聯邦學習（Federated Learning）使智能手機、聯網車輛等設備能夠在不將原始數據發送到中央服務器的情況下，共同訓練一個共享的機器學習模型。然而，訓練過程中交換的模型更新仍可能泄露敏感信息。

我們的論文將無線通信過程本身轉化為隱私保護方案的一部分。我們提出了一種自適應功率控制方法，利用無線信道中天然存在的噪聲來保護每個設備的數據。當這種天然噪聲不足以滿足隱私需求時，一個稱為協作干擾器（cooperative jammer）的輔助發射器能提供達到目標隱私水平所需的額外噪聲。

與傳統方法要求資源受限的設備自行生成用于隱私保護的噪聲不同，我們的設計將這一負擔轉移給輔助發射器，并且僅在必要時才啟用它。該方法能夠集成到多種廣泛使用的聯邦學習框架中。

基于真實世界數據集的實驗結果表明，在相同隱私要求下，該方法比現有方法能夠獲得更高的學習精度；即使在信道信息不完美的情況下，仍能保持良好的性能；同時揭示了隱私、學習精度與能耗之間的實際權衡關系。