Power 机制：面向模型无关消费的私有表格表示释放
机器学习
2025-10-08 v1 密码学与安全
摘要
传统协同学习方法基于客户端与服务器之间模型权重的共享。然而，基于共享数据创建的嵌入（激活）的方案在资源效率方面具有优势。目前已开发出针对权重共享的多种差分隐私方法，但迄今为止尚无针对嵌入共享的相应机制。我们提出一种方法，通过联合训练一个隐私编码网络与一个小型实用生成网络，使得最终生成的嵌入具备形式化的差分隐私保证。这些隐私化后的嵌入随后共享给一个更强大的服务器，后者学习一种后处理以提高机器学习任务的准确率。我们展示了我们的协同设计在协同学习中仅需一次隐私通信，客户端计算需求也更低于传统方法。我们共享的隐私嵌入对服务器上使用的模型类型（深度学习、随机森林或 XGBoost）均不敏感，从而完成相应任务。
引用
@article{arxiv.2510.05581,
title = {Power Mechanism: Private Tabular Representation Release for Model Agnostic Consumption},
author = {Praneeth Vepakomma and Kaustubh Ponkshe},
journal= {arXiv preprint arXiv:2510.05581},
year = {2025}
}