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

Japanese

我々は、差別プライベート(DP)の最適化を連邦設定で考慮しているが、機能コヴァリアンスマトリックスのDPの推定は一般化された線形モデルのヘッシャンアプローチとして機能する。既存の中央DPの方法は、線形コミュニケーションコストがデータ次元で四方的に増加する通信コストを有しており、既存の線形コミュニケーションコストのベースラインは、クライアント数が増加するにつれて地元的にのみプライベートであり、劣化する。

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