Resumen Técnico: Aprendizaje Federado de Mapas de Radio Preservador de la Privacidad para Gemelos Digitales Inalámbricos mediante Asignación Adaptativa de Ruido

1. Declaración del Problema

El artículo aborda una vulnerabilidad crítica de privacidad en las aplicaciones de Aprendizaje Federado (FL) para Gemelos Digitales Inalámbricos, específicamente en la construcción de Mapas de Radio. Si bien el FL permite que los clientes distribuidos (por ejemplo, nodos de borde, estaciones base) entrenen colaborativamente un modelo compartido sin compartir datos crudos del entorno de radio, las actualizaciones del modelo intercambiadas en sí mismas pueden filtrar información sensible.

En el contexto del aprendizaje de Mapas de Radio utilizando la arquitectura RadioUNet, la ubicación del transmisor se codifica explícitamente como un canal de entrada (un "raster de transmisor"). En consecuencia, los gradientes o los deltas del modelo cargados por los clientes contienen huellas dactilares estructuradas y dependientes del transmisor. Un observador pasivo puede explotar estas actualizaciones para inferir la ubicación precisa de los transmisores utilizados durante el entrenamiento local, incluso si los datos de medición crudos permanecen privados.

Las defensas de privacidad existentes, como la Privacidad Diferencial (DP) estándar, típicamente inyectan ruido de manera uniforme en todos los parámetros del modelo o siguen reglas estáticas y fijas. Los autores argumentan que estos enfoques son ineficientes porque ignoran la estructura específica de la arquitectura de la filtración: el ruido se desperdicia en parámetros que portan poca información de ubicación, mientras que el presupuesto puede ser insuficiente para los componentes altamente sensibles y acoplados al transmisor.

2. Metodología

El artículo propone un mecanismo de asignación adaptativa de ruido con restricción de presupuesto diseñado para integrarse localmente en el lado del cliente antes de la transmisión al servidor.

A. Modelo del Sistema y Definición de la Amenaza

• Arquitectura: El sistema utiliza un RadioUNet de dos etapas. La primera etapa produce una estimación gruesa de la pérdida de trayectoria, y la segunda etapa la refina utilizando la entrada original y la salida de la primera etapa.
• Modelo de Amenaza: Un atacante observa la secuencia de cargas de los clientes ($\Delta\theta$) e intenta regredir la coordenada del transmisor ($c$) a partir de la "huella dactilar" de estas actualizaciones. La métrica de privacidad es el error de localización ($e_{loc}$).
• Restricción: El presupuesto total de perturbación ($B$) por carga es fijo. El objetivo es maximizar la privacidad (error de localización) mientras se minimiza la pérdida de utilidad (Error Cuadrático Medio de reconstrucción).

B. Estrategia de Asignación Adaptativa de Ruido

En lugar de la inyección de ruido uniforme, el método propuesto redistribuye dinámicamente el presupuesto de ruido fijo basándose en el estado actual de la carga.

1. Partición de Grupos: El espacio de parámetros cargado se divide en grupos sensibles al transmisor (parámetros acoplados directamente al canal de entrada del transmisor en ambas etapas de RadioUNet) y un grupo residual (todos los demás parámetros).
2. Extracción de Estadísticas de Baja Dimensión: Antes de la inyección de ruido, se extrae un vector de resumen compacto ($s_{k,r}$) de la actualización del cliente. Esto incluye normas $\ell_2$ enmascaradas, magnitudes medias, desviaciones estándar, ratios de tamaño de grupo y contexto global (índice de ronda, fase).
3. Asignador de Red Neuronal: Una red neuronal ligera ($f_\eta$) mapea el vector de resumen a logits de asignación, que se normalizan mediante softmax para determinar la escala de ruido ($\sigma_{k,r,g}$) para cada grupo.
4. Inyección de Ruido:
   • La actualización se recorta primero a un umbral $C$.
   • Se añade ruido gaussiano a cada grupo $g$ con una varianza proporcional al presupuesto asignado para ese grupo ($E_{k,r,g}$).
   • El presupuesto total permanece fijo ($\sum E_{k,r,g} = B$), pero la distribución se adapta a la sensibilidad de filtración revelada durante el entrenamiento.

C. Objetivo de Entrenamiento

El asignador se entrena utilizando un modelo de ataque proxy para simular al adversario. El objetivo de optimización equilibra tres términos:

• Pérdida de Tarea ($L_{task}$): Calidad de reconstrucción del mapa de radio.
• Pérdida de Privacidad ($L_{proxy}$): El error del atacante proxy (maximizado por el asignador).
• Regularización de Entropía ($H$): Evita que el asignador concentre todo el presupuesto en un solo grupo, asegurando robustez.

3. Contribuciones Clave

Los autores resumen sus contribuciones de la siguiente manera:

1. Formulación del Problema: Formalizan la filtración de ubicación del transmisor basada en cargas como una amenaza de privacidad específica en el aprendizaje federado de mapas de radio y definen un problema de optimización de privacidad-utilidad con restricción de presupuesto correspondiente.
2. Mecanismo Adaptativo: Proponen un asignador de ruido adaptativo consciente de la estructura que distribuye dinámicamente un presupuesto de perturbación fijo entre grupos de carga sensibles al transmisor basándose en el estado actual de la carga, en lugar de utilizar reglas estáticas.
3. Protocolo de Evaluación: Establecen un protocolo de evaluación para RadioUNet federado bajo ataques de localización basados en cargas, demostrando que la asignación adaptativa supera tanto a las líneas base uniformes como a las estáticas conscientes de la estructura bajo un presupuesto de perturbación coincidente.

4. Resultados Experimentales

El marco se evaluó en un conjunto de datos de 700 mapas de radio urbanos utilizando una configuración federada con 14 clientes (6 activos por ronda) durante 50 rondas de comunicación. El método propuesto se comparó con:

• Sin Defensa: Línea base para la fidelidad de la tarea.
• Solo Recorte: Recorte global $\ell_2$ sin ruido.
• Ruido Uniforme: DP estándar con ruido añadido a todos los parámetros.
• Uniforme Dirigido: Ruido añadido solo al subespacio sensible predefinido (consciente de la estructura estática).
• Propuesto: El método adaptativo.

Hallazgos Clave:

• Rendimiento de Privacidad: Bajo un multiplicador de ruido unificado ($\nu=3$), el método propuesto logró el mayor RMSE de Privacidad (45.63 m), superando a Uniforme Dirigido (42.26 m) y Ruido Uniforme (36.78 m). Esto indica una protección más fuerte contra la localización del transmisor.
• Preservación de Utilidad: El método propuesto mantuvo la mejor calidad de reconstrucción entre todas las defensas basadas en ruido, logrando un MSE de Validación de -15.87 dB. Esto fue superior a Uniforme Dirigido (-15.66 dB) y significativamente mejor que Ruido Uniforme (-14.43 dB).
• Adaptación Dinámica: Mientras que los métodos estáticos (Uniforme Dirigido) mostraron rendimientos decrecientes a medida que avanzaba el entrenamiento, el método adaptativo exhibió una trayectoria ascendente persistente en la protección de la privacidad, lo que sugiere que se adapta con éxito a los patrones de filtración evolutivos del proceso de entrenamiento.

5. Significado y Afirmaciones

El artículo afirma que dónde se inyecta el ruido es más crítico que cuánto ruido se inyecta. Al reconocer que la filtración relacionada con el transmisor se concentra en un pequeño subconjunto del espacio de parámetros, el método propuesto evita la ineficiencia de la perturbación uniforme.

Los autores enfatizan que su trabajo proporciona una defensa de privacidad adaptativa con presupuesto. Declaran explícitamente modestia respecto a sus afirmaciones:

• El artículo no afirma proporcionar un contador de privacidad diferencial completo de extremo a extremo para el mecanismo adaptativo.
• El objetivo principal es demostrar que la redistribución dinámica de un presupuesto fijo basada en la sensibilidad de filtración específica de la arquitectura produce una compensación privacidad-utilidad superior en comparación con los enfoques estáticos o uniformes existentes.

Los resultados sugieren que para aplicaciones de gemelos digitales inalámbricos que requieren privacidad de ubicación, la asignación adaptativa de ruido es una estrategia viable y efectiva para proteger las ubicaciones de los transmisores sin comprometer la calidad de los mapas de radio reconstruidos.