Statistical Limits and Efficient Algorithms for Differentially Private Federated Learning

En 3 lignesÉtude des compromis entre précision, confidentialité différentielle et coût de communication en apprentissage fédéré. Propose FedHybrid et FedNewton, améliorations de FedAvg et FedSGD avec bornes supérieures d'erreur quadratique moyenne et bornes minimax. Validation sur régression logistique et réseaux de neurones (MNIST, CIFAR-10).

Résumé généré par Claude — vérifié par l'humain