寻找差分隐私最优权衡的交互式框架

差分隐私(DP)是隐私保护分析的标准，引入了隐私保证与模型性能之间的根本性权衡。选择最佳平衡是关键挑战，可建模为多目标优化(MOO)问题：首先发现最优权衡的集合(帕累托前沿)，然后学习决策者对这些前沿的偏好。虽然存在大量关于交互式 MOO 的工作，但标准方法——使用通用代理函数建模目标函数并从简单成对反馈中学习偏好——对于 DP 来说效率不高，因为它未利用问题的独特结构：帕累托前沿上的一个点可直接通过固定隐私水平最大化准确性来生成。受此启发，我们首先理论地推导了权衡的形状，从而直接且高效地对帕累托前沿进行建模。为解决偏好学习中的效率问题，我们用一种更具信息量的交互来取代成对比较。具体而言，我们向用户呈现假设的权衡曲线，让其选择其偏好的权衡。我们在差分隐私逻辑回归和深度迁移学习中进行实验，涵盖六个真实数据集，结果表明该方法在计算成本和用户交互方面显著低于基线方法。