DPAUC：联邦学习中差分隐私下的 AUC 计算
机器学习
2022-12-09 v2 密码学与安全
摘要
联邦学习（FL）近年来作为一种隐私增强工具受到显著关注，用于多个参与方联合训练机器学习模型。先前关于 FL 的工作主要研究如何在模型训练期间保护标签隐私。然而，FL 中的模型评估也可能导致私有标签信息的潜在泄露。在本工作中，我们提出了一种评估算法，在使用标签差分隐私（DP）的 FL 中能够准确计算广泛使用的 AUC（曲线下面积）指标。通过大量实验，我们表明与真实值相比，我们的算法可以计算出准确的 AUC。代码可在 {\url{https://github.com/bytedance/fedlearner/tree/master/example/privacy/DPAUC}} 获取。
引用
@article{arxiv.2208.12294,
title = {DPAUC: Differentially Private AUC Computation in Federated Learning},
author = {Jiankai Sun and Xin Yang and Yuanshun Yao and Junyuan Xie and Di Wu and Chong Wang},
journal= {arXiv preprint arXiv:2208.12294},
year = {2022}
}
备注
The Thirty-Seventh AAAI Conference on Artificial Intelligence, AAAI 2023, Track on Safe and Robust AI. arXiv admin note: substantial text overlap with arXiv:2205.12412