隐私保护 Bandits
机器学习
2020-03-12 v4 密码学与安全
多智能体系统
机器学习
摘要
上下文 Bandit 算法（CBA）通常依赖个人数据来提供推荐。中心化 CBA 智能体利用来自近期交互的潜在敏感数据为终端用户提供个性化服务。通过在用户设备上运行本地智能体将敏感数据保留在本地，可以保护用户隐私，然而，由于无法利用来自其他用户的反馈，该智能体需要更长时间才能产生有用的推荐。本文提出了一种我们称之为隐私保护 Bandits（P2B）的技术；这是一个通过以差分隐私的方式收集来自其他本地智能体的反馈来更新本地智能体的系统。将我们提出的方法与非隐私系统以及完全隐私（本地）系统进行比较，结果表明在合成基准测试和真实世界数据上均具有竞争力的性能。具体而言，我们观察到在隐私预算 的情况下，多标签分类准确率仅下降了 2.6% 和 3.6%，而在在线广告中点击率（CTR）提高了 0.0025。这些结果表明 P2B 是应对设备端隐私保护个性化中出现挑战的有效方法。
关键词
引用
@article{arxiv.1909.04421,
title = {Privacy-Preserving Bandits},
author = {Mohammad Malekzadeh and Dimitrios Athanasakis and Hamed Haddadi and Benjamin Livshits},
journal= {arXiv preprint arXiv:1909.04421},
year = {2020}
}
备注
13 pages, 7 figures