联邦自适应数据分析：利用机会性噪声实现泛化性
人机交互
2025-01-22 v2
摘要
自适应数据分析（ADA）涉及分析师与数据所有者之间的动态交互，分析师依次提交查询，并根据先前答案进行调整。这一过程可能具有对抗性，因为分析师可能试图通过针对数据中不可泛化的模式来进行过拟合。为应对此问题，数据所有者引入随机化技术，例如向响应中添加噪声。该噪声不仅有助于防止过拟合，还能增强数据隐私。然而，必须对其进行精细校准，以确保响应的统计可靠性不受损害。在本文中，我们将ADA问题扩展到分布式数据集的情境。具体而言，我们考虑一个潜在对抗性分析师通过自适应查询与多个分布式响应者交互的场景。我们假设响应受到分析师与响应者之间信道所引入噪声的影响。我们展示了如何通过联邦机制机会性地利用这种噪声来增强ADA的泛化性，从而增加分析师与响应者之间的查询-响应交互次数。我们证明，基于理论上可达到的界限对传输幅度进行精细调整，可以显著影响可准确回答的查询数量。
关键词
引用
@article{arxiv.2411.15948,
title = {Over-the-Air Federated Adaptive Data Analysis: Preserving Accuracy via Opportunistic Differential Privacy},
author = {Amir Hossein Hadavi and Mohammad M. Mojahedian and Mohammad Reza Aref},
journal= {arXiv preprint arXiv:2411.15948},
year = {2025}
}