联邦上下文赌博机中的公平性与隐私保证
机器学习
2024-02-07 v1
摘要
本文考虑了在联邦环境中具有公平性和隐私保证的上下文多臂赌博机（CMAB）问题。我们将基于功绩的曝光视为期望的公平结果，该结果为每个动作提供与其关联奖励成比例的曝光。我们使用公平遗憾来建模算法的有效性，该遗憾捕获了公平最优策略与算法输出策略之间的差异。将公平CMAB算法单独应用于每个智能体会导致与智能体数量成线性关系的公平遗憾。我们提出，协作式联邦学习可以更有效，并提供了同时确保差分隐私的Fed-FairX-LinUCB算法。扩展现有隐私框架的主要挑战在于设计用于跨智能体通信所需信息的通信协议。一个朴素的协议可能导致更弱的隐私保证或更高的遗憾。我们设计了一种新颖的通信协议，该协议允许：(i) Fed-FairX-LinUCB的公平遗憾具有次线性理论界，其隐私对应版本Priv-FairX-LinUCB（相对于单智能体学习）具有可比较的界，(ii) 在Priv-FairX-LinUCB中有效使用隐私预算。我们通过大量基于模拟的实验证明了我们提出算法的有效性。我们表明，Fed-FairX-LinUCB和Priv-FairX-LinUCB都实现了接近最优的公平遗憾。
引用
@article{arxiv.2402.03531,
title = {Fairness and Privacy Guarantees in Federated Contextual Bandits},
author = {Sambhav Solanki and Shweta Jain and Sujit Gujar},
journal= {arXiv preprint arXiv:2402.03531},
year = {2024}
}
备注
16 pages, 2 figures