arXiv cs.AI· Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Wei Zishuo, Shengyu Huang, Ziyuan Ren, Wei Chen, Xiaojin Zhang·· 2 天前AI 评分22
FedSumUp：面向资源受限联邦智能的用户可审计隐私感知表征共享
FedSumUp: User-Auditable Privacy-Aware Representation Sharing for Resource-Constrained Federated Intelligence
AI 导读
FedSumUp 在客户端部署可学习的有损压缩器，生成紧凑且可视化可解释的表征，通过控制信息容量降低隐私泄露并让用户直接评估隐私-效用权衡。
正文 · AI 翻译
摘要：现有的联邦数据浓缩方法面临隐私风险，因为上传的合成数据可能保留敏感信息，并且仍然容易受到重建攻击。此外，其生成过程通常会在客户端产生相当大的计算开销，限制了在资源受限设备上的部署。为了解决这些问题，我们提出了 FedSumUp，它在客户端采用可学习的有损压缩器来生成紧凑且视觉上可解释的表示。通过控制信息容量，FedSumUp 减少了隐私泄露，同时允许用户直接评估隐私-效用权衡。我们进一步引入了一种双目标优化机制，以保留任务相关的语义，同时抑制重建风险。压缩器在服务器上训练，在客户端仅执行轻量级推理。由于服务器无法访问原始数据，我们开发了一种无数据闭环优化策略，通过在保持结构的上采样后最小化原始表示与二次压缩表示之间的差异来优化压缩器。在 BloodMNIST、CIFAR-10 和 ChestMNIST 上的实验表明，重建 PSNR 低至 8.56 dB（合成 PSNR 低至 5.45 dB），客户端运行时间最多减少 96.5%（在 ChestMNIST 上从 778 秒降至 27 秒），并具有有竞争力的分类准确率（ChestMNIST 89.72%、BloodMNIST 82.24%、CIFAR-10 65.63%），同时对非 IID 数据分布保持固有的鲁棒性。
| 评论： | 21 页，包括附录。Jingwei Zhao 和 Tiantong Sun 贡献相同。通讯作者：Xiaojin Zhang |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21194 [cs.CR] |
| （或 arXiv:2610.21194v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21194 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Tiantong Sun [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 03:54:17 UTC（1,806 KB）
来源：arXiv cs.AI · arxiv.org