摘要
联邦学习能够在不集中处理私有数据的情况下实现模型的协同训练，但其在边缘设备上的应用仍受到通信开销、数据分布差异以及共享模型更新带来的隐私泄露问题的限制。脉冲神经网络通过传输稀疏的二进制事件而非密集的激活值，为传统人工神经网络提供了一种更节能的替代方案，但现有的联邦脉冲学习方法在非独立同分布数据情况下仍存在梯度交换效率低和隐私保护不足的问题。本文提出了PriSparK，这是一种兼具隐私保护和高效通信能力的联邦脉冲神经学习框架，它利用时间事件的稀疏性、自适应的客户端脉冲梯度压缩以及经过隐私校准的聚合机制。PriSparK的核心是一种新型的基于事件稀疏性的差分隐私联邦脉冲优化算法，该算法可将本地替代梯度转换为考虑脉冲显著性的稀疏更新值，动态分配各层及不同时间步的通信资源，并在低维事件子空间中进行裁剪后注入经过校准的高斯噪声。为减少过度压缩和隐私干扰带来的精度下降问题，PriSparK还引入了基于膜特性的误差反馈机制以及能够根据脉冲活动稳定性和局部分布偏移来调整客户端更新权重的自适应服务器聚合规则。在包括N-MNIST、DVS128手势、CIFAR-10和Fashion-MNIST在内的神经形态学和视觉任务基准测试中，PriSparK在大幅降低上行通信量的同时，实现了与联邦人工神经网络和脉冲神经网络基线相当的或更高的精度。在严格的隐私约束条件下，PriSparK依然能够保持稳定的收敛性，并改善精度、通信量和隐私保护之间的平衡，展现了其在基于事件驱动的神经计算场景下用于处理敏感信息的边缘智能应用潜力。
