FedSumUp：联邦学习中可审计的隐私感知表示压缩

Jingwei Zhao 等在 arXiv 发布 FedSumUp 论文，针对资源受限设备上的联邦学习，让客户端用可学习有损压缩器共享紧凑且视觉可解释的表示，用户可借此评估隐私—效用权衡。 由于服务器不能访问原始数据，作者开发了无数据闭环优化策略：通过保结构上采样后最小化原始表示与二次压缩表示之间的差异来训练压缩器。压缩器由服务器训练，客户端只执行轻量推理。 基于论文摘要，在 BloodMNIST、CIFAR-10 和 ChestMNIST 实验中，重建 PSNR 最低为 8.56 dB（合成 PSNR 最低 5.45 dB），客户端运行时间最高减少 96.5%，同时保持有竞争力的分类准确率。

AI 根据报道生成 · 3 小时前更新