元学习与多任务学习中的隐私：建模与分离
机器学习
2024-12-18 v1 密码学与安全
摘要
模型个性化允许一组各自面临不同学习任务的个体训练出比各自单独开发更准确的模型。个性化的目标体现在多种形式化框架中，如多任务学习和元学习。为模型个性化合并数据会带来隐私风险，因为个体模型的输出可能依赖于其他个体的数据。在本工作中，我们对差分隐私个性化学习进行了系统研究。我们的第一个主要贡献是构建了隐私个性化学习的形式化框架分类体系。该分类体系涵盖了不同的学习形式化框架以及攻击者的不同威胁模型。我们的第二个主要贡献是证明了对应于不同选择的个性化学习问题之间的分离。具体而言，我们证明了隐私多任务学习与隐私元学习之间的一种新颖分离。
引用
@article{arxiv.2412.12374,
title = {Privacy in Metalearning and Multitask Learning: Modeling and Separations},
author = {Maryam Aliakbarpour and Konstantina Bairaktari and Adam Smith and Marika Swanberg and Jonathan Ullman},
journal= {arXiv preprint arXiv:2412.12374},
year = {2024}
}