IEEE Open Journal of Vehicular Technology (OJVT) 是一本开放获取的全电子期刊，发表原创高质量论文，涵盖移动无线电、机动车辆和陆地交通领域电气和电子工程的理论、实验和操作层面。我们的期刊不仅欢迎原创高质量论文，也欢迎以行业为中心的出版物，重点关注研究成果并提出对进行类似研究的人员有用的想法。

我们的首篇月度专题文章由俄亥俄州立大学（The Ohio State University）和密歇根大学安娜堡分校（University of Michigan, Ann Arbor）的研究人员合作完成。该论文创新性地利用无线通信介质，通过设计一种适用于空中联邦学习（over-the-air federated learning）的分布式动态功率控制策略，在实现差分隐私的同时增强了系统的隐私保护能力。

Providing Differential Privacy for Federated Learning Over Wireless: A Cross-Layer Framework
Jiayu Mao; Tongxin Yin; Aylin Yener; Mingyan Liu
Published in Volume 7, IEEE Open Journal of Vehicular Technology
https://ieeexplore.ieee.org/document/11429089

联邦学习（Federated Learning）使智能手机、联网车辆等设备能够在不将原始数据发送到中央服务器的情况下，共同训练一个共享的机器学习模型。然而，训练过程中交换的模型更新仍可能泄露敏感信息。

我们的论文将无线通信过程本身转化为隐私保护方案的一部分。我们提出了一种自适应功率控制方法，利用无线信道中天然存在的噪声来保护每个设备的数据。当这种天然噪声不足以满足隐私需求时，一个称为协作干扰器（cooperative jammer）的辅助发射器能提供达到目标隐私水平所需的额外噪声。

与传统方法要求资源受限的设备自行生成用于隐私保护的噪声不同，我们的设计将这一负担转移给辅助发射器，并且仅在必要时才启用它。该方法能够集成到多种广泛使用的联邦学习框架中。

基于真实世界数据集的实验结果表明，在相同隐私要求下，该方法比现有方法能够获得更高的学习精度；即使在信道信息不完美的情况下，仍能保持良好的性能；同时揭示了隐私、学习精度与能耗之间的实际权衡关系。