具有用户级差分隐私的联邦线性上下文老虎机

Ruiquan Huang; Huanyu Zhang; Luca Melis; Milan Shen; Meisam Hajzinia; Jing Yang

具有用户级差分隐私的联邦线性上下文老虎机

机器学习 2023-06-14 v2 密码学与安全信息论 math.IT 机器学习

作者: Ruiquan Huang , Huanyu Zhang , Luca Melis , Milan Shen , Meisam Hajzinia , Jing Yang

摘要

本文研究用户级差分隐私 (DP) 概念下的联邦线性上下文老虎机。我们首先引入一个统一的联邦老虎机框架，可容纳序列决策制定设置中各种 DP 定义。然后我们在联邦老虎机框架中正式引入用户级中心 DP (CDP) 和本地 DP (LDP)，并研究联邦线性上下文老虎机模型中学习遗憾 (regret) 与相应 DP 保证之间的基本权衡。对于 CDP，我们提出了一种称为 $\texttt{ROBIN}$ 的联邦算法，并通过在用户级 DP 满足时推导出近乎匹配的上界和下界遗憾界，表明其在客户端数量 $M$ 和隐私预算 $\varepsilon$ 方面接近最优。对于 LDP，我们获得了若干下界，表明在用户级 $(\varepsilon,\delta)$ -LDP 下的学习必须承受至少 $\min\{1/\varepsilon,M\}$ 或 $\min\{1/\sqrt{\varepsilon},\sqrt{M}\}$ 的遗憾放大因子（在不同条件下）。

关键词

联邦学习线性上下文老虎机用户级差分隐私中心 DP 本地 DP 遗憾界

引用

@article{arxiv.2306.05275,
  title  = {Federated Linear Contextual Bandits with User-level Differential Privacy},
  author = {Ruiquan Huang and Huanyu Zhang and Luca Melis and Milan Shen and Meisam Hajzinia and Jing Yang},
  journal= {arXiv preprint arXiv:2306.05275},
  year   = {2023}
}

备注

Accepted by ICML 2023

具有用户级差分隐私的联邦线性上下文老虎机

摘要

关键词

引用

备注

相关论文