二分类器的联邦校准与评估
密码学与安全
2022-10-25 v1 机器学习
摘要
我们解决了在分布式私有数据上实际运用有监督分类器的两个主要障碍。无论分类器是由协作客户端的联邦训练而成，还是集中训练但分布外，(1) 输出分数必须经过校准，且 (2) 必须评估性能指标——所有这些都不将标签汇集到一处。具体而言，我们展示了如何在联邦设置下，在三种隐私模型（i）安全聚合、（ii）分布式差分隐私、（iii）本地差分隐私下执行校准并计算精确率、召回率、准确率和 ROC-AUC。我们的定理与实验阐明了隐私、准确率与数据效率之间的权衡。它们还有助于判断给定应用是否具有足够数据来支持联邦校准与评估。
引用
@article{arxiv.2210.12526,
title = {Federated Calibration and Evaluation of Binary Classifiers},
author = {Graham Cormode and Igor Markov},
journal= {arXiv preprint arXiv:2210.12526},
year = {2022}
}
备注
24 pages