变化环境下序贯决策中的本地差分隐私
机器学习
2023-01-03 v1 密码学与安全
摘要
我们研究了在变化环境下的序贯决策场景中，在保持高效用的同时保护隐私的问题。我们考虑突变环境：环境在一段时间内保持不变，并在未知时刻发生变化。为表述该问题，我们提出了一种称为非平稳随机污染多臂老虎机（non-stationary stochastic corrupt bandits）的多臂老虎机变体。我们构建了称为 SW-KLUCB-CF 的算法，并利用后悔（regret）这一性能指标证明了其效用的上界。所证明的 SW-KLUCB-CF 的后悔上界在步数上近乎最优，并且在步数与变化次数方面与类似问题已知的最佳上界一致。此外，我们提出了一种可证明最优的机制，能够在提供高效用的同时保证所需的本地差分隐私水平。
引用
@article{arxiv.2301.00561,
title = {Local Differential Privacy for Sequential Decision Making in a Changing Environment},
author = {Pratik Gajane},
journal= {arXiv preprint arXiv:2301.00561},
year = {2023}
}
备注
Accepted at AAAI Privacy Preserving Artificial Intelligence (PPAI), 2023. arXiv admin note: text overlap with arXiv:1708.05033