002 Privacy-preserving and communication-efficient federated learning in Internet of Things（主要关于通信）

在物联网中实现保护隐私、高效通信的联邦学习方法PCFL

目的：为了解决已经提出的物联网中的联邦学习方法没有解决的网络带宽的限制和高级的隐私攻击（投毒攻击、抽取模型攻击）问题

结论：PCFL在通信效率方面比目前最先进的方法高出2倍以上，并且具有较高的模型精度和收敛速度的边际下降。

已经提出的物联网中的联邦学习方法没有解决网络带宽的限制和高级的隐私攻击 的问题——>PCFL——>组成：①梯度空间稀疏化，避免上传偏离协同收敛趋势的无关更新；②双向压缩，使用无需计算的压缩算子对设备端和服务器端梯度进行量化③将秘密共享与轻量级同态加密相结合的隐私保护协议——>PCFL在通信效率方面比目前最先进的方法高出2倍以上，并且具有较高的模型精度和较小的收敛速度损失。

稀疏表达的作用有两个:

1)降低数据维数，稀疏表达后的特征向量各维之间的依赖性变低，更为独立

2)从人工智能的角度来看，这更加接近“自动分析出隐藏在数据背后的解释因子”这一思想稀疏表达求取时所加的稀疏约束，使得计算后得到的各个“基“对于解释数据具有相同的重要性，其目的正是在尝试找出隐藏在数据背后的解释因子。