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

Russian

Мы рассматриваем дифференциальную частную (DP) оптимизацию в федеративной обстановке, где оценка DP матрицы ковариантности функции служит гессианским приближением для обобщенных линейных моделей. Существующие центральные методы DP для оценки ковариантности имеют стоимость связи, которая растет квадратно в измерении данных, в то время как существующие исходные линии с линейной стоимостью связи являются только локально частными и деградируют по мере увеличения числа клиентов.

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