面向可靠联邦学习中隐私-效用权衡的统一学习-扭曲数据框架
机器学习
2024-07-10 v2 人工智能
密码学与安全
摘要
本文首先基于贝叶斯隐私定义和总变距距离隐私定义，给出隐私-效用平衡在联邦学习中理论基础。随后，我们提出“Learn-to-Distort-Data”框架，提供一种原则化方法，通过显式建模隐私保护机制引入的扭曲，将其作为可学习变量与模型参数联合优化。我们在数据扭曲基础上演示了该框架适用于多种隐私保护机制，并强调其与对抗训练、输入鲁棒性和不可撤回示例等相关领域的联系。这些联系使我们能够利用这些领域的技术，在“Learn-to-Distort-Data”框架下设计有效的隐私-效用平衡算法。
引用
@article{arxiv.2407.04751,
title = {A Unified Learn-to-Distort-Data Framework for Privacy-Utility Trade-off in Trustworthy Federated Learning},
author = {Xiaojin Zhang and Mingcong Xu and Wei Chen},
journal= {arXiv preprint arXiv:2407.04751},
year = {2024}
}