Resumen

El aprendizaje automático descentralizado ha estado desempeñando un papel esencial en mejorar la eficiencia del entrenamiento. Se ha aplicado en muchos escenarios del mundo real, como la computación en el borde y el IoT. Sin embargo, de hecho, las redes son dinámicas y existe el riesgo de que la información se filtre durante el proceso de comunicación. Para abordar este problema, proponemos un algoritmo descentralizado de descenso de gradiente estocástico paralelo (D-(DP)SGD) con privacidad diferencial en redes dinámicas. Con un análisis riguroso, mostramos que D-(DP)SGD converge con una tasa de mientras satisface -DP, lo que logra casi la misma tasa de convergencia que trabajos anteriores sin preocupación por la privacidad. Hasta donde sabemos, nuestro algoritmo es el primer algoritmo conocido de SGD paralelo descentralizado que se puede implementar en redes dinámicas y tener en cuenta la preservación de la privacidad.

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje automático; Descentralizado; Descenso de gradiente estocástico; Privacidad diferencial; Redes dinámicas; Preservación de la privacidad
• Keywords:Machine learning; Decentralized; Stochastic gradient descent; Differential privacy; Dynamic networks; Privacy-preserving