通过混洗实现线性上下文老虎机的隐私放大
机器学习
2021-12-14 v1
摘要
上下文老虎机算法广泛用于希望通过利用可能包含需保护敏感信息的上下文来提供个性化服务的领域。受此场景启发，我们研究带差分隐私（DP）约束的上下文线性老虎机问题。尽管文献聚焦于集中式（联合 DP）或本地（本地 DP）隐私，我们考虑混洗隐私模型，并展示可在 JDP 与 LDP 间实现隐私/效用权衡。通过利用来自隐私的混洗与来自老虎机的批处理，我们提出一种遗憾界为 的算法，同时保证集中（联合）与本地隐私。我们的结果表明，可在保持本地隐私的同时，利用混洗模型获得 JDP 与 LDP 间的权衡。
引用
@article{arxiv.2112.06008,
title = {Privacy Amplification via Shuffling for Linear Contextual Bandits},
author = {Evrard Garcelon and Kamalika Chaudhuri and Vianney Perchet and Matteo Pirotta},
journal= {arXiv preprint arXiv:2112.06008},
year = {2021}
}