Approximate Gradient Coding for Privacy-Flexible Federated Learning with Non-IID Data

Okko Makkonen*, Sampo Niemelä*, Camilla Hollanti*, Serge Kas Hanna

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

Abstrakti

This work focuses on the challenges of non-IID data and stragglers/dropouts in federated learning. We introduce and explore a privacy-flexible paradigm that models parts of the clients’ local data as non-private, offering a more versatile and business-oriented perspective on privacy. Within this framework, we propose a data-driven strategy for mitigating the effects of label heterogeneity and client straggling on federated learning. Our solution combines both offline data sharing and approximate gradient coding techniques. Through theoretical results and numerical simulations on the MNIST dataset, we demonstrate that our approach enables achieving a deliberate trade-off between privacy and utility, leading to improved model convergence and accuracy while using an adaptable portion of non-private data.

AlkuperäiskieliEnglanti
Otsikko32nd European Signal Processing Conference, EUSIPCO 2024 - Proceedings
KustantajaEuropean Signal Processing Conference (EUSIPCO)
Sivut1167-1171
Sivumäärä5
ISBN (elektroninen)978-9-4645-9361-7
DOI - pysyväislinkit
TilaJulkaistu - 2024
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaEuropean Signal Processing Conference - Lyon, Ranska
Kesto: 26 elok. 202430 elok. 2024
Konferenssinumero: 32

Julkaisusarja

NimiEuropean Signal Processing Conference
ISSN (painettu)2219-5491

Conference

ConferenceEuropean Signal Processing Conference
LyhennettäEUSIPCO
Maa/AlueRanska
KaupunkiLyon
Ajanjakso26/08/202430/08/2024

Sormenjälki

Sukella tutkimusaiheisiin 'Approximate Gradient Coding for Privacy-Flexible Federated Learning with Non-IID Data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä