局部差分隐私下的专家建议预测
机器学习
2025-12-09 v1 密码学与安全
数据结构与算法
机器学习
摘要
我们在局部差分隐私（LDP）的约束下研究经典的专家建议预测问题。在此背景下，我们首先证明一个经典算法自然满足 LDP，然后设计了两个改进的新算法：RW-AdaBatch 和 RW-Meta。对于 RW-AdaBatch，我们利用 LDP 所诱导的有限切换行为，提供了一种新型的隐私放大机制，该机制在更易处理的数据上增强效果，类似于离线学习中的洗牌模型。借助随机游走理论，我们证明这一改进几乎不带来效用损失。对于 RW-Meta，我们发展了一种在专家本身为非平凡学习算法时进行私有选择的一般方法，并证明在 LDP 框架下这不产生额外的隐私代价。相比之下，此前的工作仅考虑了与数据无关的专家。我们还推导了形式化的遗憾界，该遗憾界与专家之间的独立程度成反比。我们的分析辅以 COVID-19 疫情期间医院上报的真实世界数据的评估结果；在预测每周哪家医院报告最高密度 COVID 患者的任务上，RW-Meta 相比经典基线和最先进的中心化差分隐私算法实现了 1.5–3 倍的性能提升。
引用
@article{arxiv.2512.06971,
title = {Prediction with Expert Advice under Local Differential Privacy},
author = {Ben Jacobsen and Kassem Fawaz},
journal= {arXiv preprint arXiv:2512.06971},
year = {2025}
}
备注
19 pages, 3 figures