私有协作式机器学习中的激励机制
机器学习
2024-04-03 v1
摘要
协作式机器学习涉及来自多个方的数据，但必须激励它们的参与。现有的数据定价方法基于共享数据或模型参数对每个方进行公平定价和奖励，但忽略了涉及的隐私风险。为此，我们引入差分隐私（DP）作为激励机制。每个方可以选择所需的DP保证，并相应扰动其充分统计量（SS）。调解器通过对模型参数所引发的贝叶斯惊讶来对扰动后的SS进行定价。由于我们的定价函数强制执行隐私-定价权衡，各方会被阻止选择过度的DP保证，这会降低联合模型的实用性。最后，调解器根据模型参数的不同后验样本对每个方进行奖励。这些奖励仍满足现有的激励措施，如公平性，同时也保留了DP以及与联合后验高度相似性。我们在合成数据和真实数据集上经验性地演示了该方法的有效性和实际性。
引用
@article{arxiv.2404.01676,
title = {Incentives in Private Collaborative Machine Learning},
author = {Rachael Hwee Ling Sim and Yehong Zhang and Trong Nghia Hoang and Xinyi Xu and Bryan Kian Hsiang Low and Patrick Jaillet},
journal= {arXiv preprint arXiv:2404.01676},
year = {2024}
}
备注
Accepted to NeurIPS 2023