Sintesi Tecnica: Apprendimento Federato di Mappe Radio Riservoso per Gemelli Digitali Wireless tramite Allocazione Adattiva del Rumore

1. Enunciato del Problema

Il documento affronta una vulnerabilità critica della privacy nelle applicazioni di Apprendimento Federato (FL) per i Gemelli Digitali Wireless, specificamente nella costruzione di Mappe Radio. Sebbene l'FL permetta a client distribuiti (ad esempio, nodi periferici, stazioni base) di addestrare collaborativamente un modello condiviso senza condividere dati grezzi sull'ambiente radio, gli stessi aggiornamenti del modello scambiati possono rivelare informazioni sensibili.

Nel contesto dell'apprendimento di Mappe Radio utilizzando l'architettura RadioUNet, la posizione del trasmettitore è codificata esplicitamente come canale di input (una "rasterizzazione del trasmettitore"). Di conseguenza, i gradienti o i delta del modello caricati dai client contengono impronte digitali strutturate dipendenti dal trasmettitore. Un osservatore passivo può sfruttare questi aggiornamenti per inferire la posizione precisa dei trasmettitori utilizzati durante l'addestramento locale, anche se i dati di misura grezzi rimangono privati.

Le difese per la privacy esistenti, come la Privacy Differenziale (DP) standard, iniettano tipicamente rumore in modo uniforme su tutti i parametri del modello o seguono regole statiche e fisse. Gli autori sostengono che questi approcci sono inefficienti perché ignorano la struttura specifica dell'architettura della perdita di informazioni: il rumore viene sprecato su parametri che trasportano poca informazione sulla posizione, mentre il budget potrebbe essere insufficiente per i componenti altamente sensibili e accoppiati al trasmettitore.

2. Metodologia

Il documento propone un meccanismo di allocazione adattiva del rumore vincolato da un budget, progettato per essere integrato localmente sul lato del client prima della trasmissione al server.

A. Modello di Sistema e Definizione della Minaccia

• Architettura: Il sistema utilizza un RadioUNet a due stadi. Il primo stadio produce una stima grossolana del percorso di attenuazione (pathloss), e il secondo stadio la rifina utilizzando l'input originale e l'output del primo stadio.
• Modello di Minaccia: Un attaccante osserva la sequenza di caricamenti dei client ($\Delta\theta$) e tenta di regressare la coordinata del trasmettitore ($c$) dall'"impronta digitale" di questi aggiornamenti. La metrica della privacy è l'errore di localizzazione ($e_{loc}$).
• Vincolo: Il budget totale di perturbazione ($B$) per caricamento è fisso. L'obiettivo è massimizzare la privacy (errore di localizzazione) minimizzando al contempo la perdita di utilità (Errore Quadratico Medio di ricostruzione).

B. Strategia di Allocazione Adattiva del Rumore

Invece dell'iniezione uniforme di rumore, il metodo proposto ridistribuisce dinamicamente il budget fisso del rumore in base allo stato corrente del caricamento.

1. Partizionamento in Gruppi: Lo spazio dei parametri caricati è partizionato in gruppi sensibili al trasmettitore (parametri direttamente accoppiati al canale di input del trasmettitore in entrambi gli stadi di RadioUNet) e un gruppo residuo (tutti gli altri parametri).
2. Estrazione di Statistiche a Bassa Dimensionalità: Prima dell'iniezione del rumore, viene estratto un vettore di sintesi compatto ($s_{k,r}$) dall'aggiornamento del client. Questo include norme $\ell_2$ mascherate, magnitudini medie, deviazioni standard, rapporti delle dimensioni dei gruppi e contesto globale (indice del turno, fase).
3. Allocatore a Rete Neurale: Una rete neurale leggera ($f_\eta$) mappa il vettore di sintesi in logit di allocazione, che vengono normalizzati tramite softmax per determinare la scala del rumore ($\sigma_{k,r,g}$) per ogni gruppo.
4. Iniezione del Rumore:
   • L'aggiornamento viene prima tagliato (clipped) a una soglia $C$.
   • Viene aggiunto rumore gaussiano a ogni gruppo $g$ con una varianza proporzionale al budget allocato per quel gruppo ($E_{k,r,g}$).
   • Il budget totale rimane fisso ($\sum E_{k,r,g} = B$), ma la distribuzione si adatta alla sensibilità della perdita di informazioni rivelata durante l'addestramento.

C. Obiettivo di Addestramento

L'allocatore viene addestrato utilizzando un modello di attacco proxy per simulare l'avversario. L'obiettivo di ottimizzazione bilancia tre termini:

• Perdita del Compito ($L_{task}$): Qualità di ricostruzione della mappa radio.
• Perdita della Privacy ($L_{proxy}$): L'errore dell'attaccante proxy (massimizzato dall'allocatore).
• Regolarizzazione dell'Entropia ($H$): Previene il collasso dell'allocatore dell'intero budget in un singolo gruppo, garantendo robustezza.

3. Contributi Chiave

Gli autori riassumono i loro contributi come segue:

1. Formulazione del Problema: Formalizzano la perdita di informazioni sulla posizione del trasmettitore basata sui caricamenti come una specifica minaccia alla privacy nell'apprendimento federato delle mappe radio e definiscono un corrispondente problema di ottimizzazione privacy-utilità vincolato da un budget.
2. Meccanismo Adattivo: Propongono un allocatore adattivo consapevole della struttura che distribuisce dinamicamente un budget fisso di perturbazione tra gruppi di caricamento sensibili al trasmettitore in base allo stato corrente del caricamento, piuttosto che utilizzare regole statiche.
3. Protocollo di Valutazione: Stabiliscono un protocollo di valutazione per RadioUNet federato sotto attacchi di localizzazione basati sui caricamenti, dimostrando che l'allocazione adattiva supera sia le basi uniformi che quelle consapevoli della struttura statiche sotto un budget di perturbazione corrispondente.

4. Risultati Sperimentali

Il framework è stato valutato su un dataset di 700 mappe radio urbane utilizzando una configurazione federata con 14 client (6 attivi per turno) su 50 turni di comunicazione. Il metodo proposto è stato confrontato con:

• Nessuna Difesa: Baseline per la fedeltà del compito.
• Solo Taglio (Clip Only): Taglio globale $\ell_2$ senza rumore.
• Rumore Uniforme: DP standard con rumore aggiunto a tutti i parametri.
• Uniforme Diretto: Rumore aggiunto solo al sottospazio sensibile predefinito (consapevole della struttura statica).
• Proposto: Il metodo adattivo.

Risultati Chiave:

• Prestazioni di Privacy: Sotto un moltiplicatore di rumore unificato ($\nu=3$), il metodo proposto ha ottenuto il più alto RMSE di Privacy (45,63 m), superando l'Uniforme Diretto (42,26 m) e il Rumore Uniforme (36,78 m). Ciò indica una protezione più forte contro la localizzazione del trasmettitore.
• Preservazione dell'Utilità: Il metodo proposto ha mantenuto la migliore qualità di ricostruzione tra tutte le difese basate sul rumore, ottenendo un MSE di Validazione di -15,87 dB. Ciò è stato superiore all'Uniforme Diretto (-15,66 dB) e significativamente migliore del Rumore Uniforme (-14,43 dB).
• Adattamento Dinamico: Mentre i metodi statici (Uniforme Diretto) hanno mostrato rendimenti decrescenti all'avanzare dell'addestramento, il metodo adattivo ha mostrato una traiettoria persistente in aumento nella protezione della privacy, suggerendo che si adatta con successo ai modelli di perdita di informazioni in evoluzione del processo di addestramento.

5. Significato e Affermazioni

Il documento afferma che dove viene iniettato il rumore è più critico di quanto rumore viene iniettato. Riconoscendo che la perdita di informazioni relativa al trasmettitore è concentrata in un piccolo sottoinsieme dello spazio dei parametri, il metodo proposto evita l'inefficienza della perturbazione uniforme.

Gli autori sottolineano che il loro lavoro fornisce una difesa alla privacy adattiva con budget. Affermano esplicitamente modestia riguardo alle loro affermazioni:

• Il documento non afferma di fornire un contabile completo della privacy differenziale end-to-end per il meccanismo adattivo.
• L'obiettivo principale è dimostrare che la ridistribuzione dinamica di un budget fisso basata sulla sensibilità alla perdita di informazioni specifica dell'architettura produce un compromesso privacy-utilità superiore rispetto agli approcci statici o uniformi esistenti.

I risultati suggeriscono che per le applicazioni di gemelli digitali wireless che richiedono privacy della posizione, l'allocazione adattiva del rumore è una strategia praticabile ed efficace per proteggere le posizioni dei trasmettitori senza compromettere la qualità delle mappe radio ricostruite.