Newest papers

Federated Differentially Private Optimization via Low-Rank Preconditioning

Antti Koskela, Tejas Kulkarni, Elias Raninen · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31069 · open-access PDF

Arabic

ونحن ننظر إلى تحسين خصوصي متزايد (DP) في الإعداد المشترك، حيث يخدم تقديرات DP من مارتن كوفياريس الخصائص كمقارنة هسيكية لمواصفات خطية عامة. ونحن نقدم نموذج DP المركزي الحالي لتقديرات كوفياريس تكلفة الاتصالات التي تزداد بثلاثة أضعاف في نطاق البيانات، في حين أن الخطوط الأساسية الحالية مع تكلفة الاتصالات الخطية لا تزال خاصة على المستوى المحلي فقط وتقلص مع زيادة عدد العملاء. كوسيلة علاج، ونحن نقدم نموذج DP-PCA المشترك الذي يتحقق من تكلفة الاتصالات الخطية مع توفير ضمانات DP المركزي تحت مجموعة آمنة

Machine translation (Meta M2M100); the English original follows.

Abstract

We consider differentially private (DP) optimization in the federated setting, where a DP estimate of the feature covariance matrix serves as a Hessian approximation for generalized linear models. Existing central DP methods for covariance estimation have communication cost that grows quadratically in the data dimension, while existing baselines with linear communication cost are only locally private and degrade as the number of clients increases. As a remedy, we propose a federated DP-PCA framework that achieves linear communication cost while providing central DP guarantees under secure aggr

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange