隐私保护且通信高效的联邦多臂老虎机
机器学习
2021-11-03 v1 网络与互联网体系结构
摘要
通信瓶颈与数据隐私是联邦多臂老虎机（MAB）问题中的两个关键关切，例如在网联车辆的无线决策与推荐场景中。本文我们为此类问题设计了隐私保护且通信高效的算法，并研究了隐私、通信与以遗憾（regret）衡量的学习性能之间的交互作用。具体而言，我们设计了隐私保护学习算法与通信协议，并推导了当网络化私有智能体在主-从、去中心化及混合结构中进行在线老虎机学习时的学习遗憾。我们的老虎机学习算法基于每个智能体在每个纪元（epoch）内进行次优臂消除，且智能体在每个纪元结束时与服务器/彼此交换学习知识。此外，我们采用差分隐私（DP）方法在交换信息时保护每个智能体的数据隐私；并通过减少通信频率与参与智能体数量来削减通信成本。通过分析我们所提算法框架在主-从、去中心化及混合结构中的遗憾，我们从理论上展示了遗憾与通信成本/隐私之间的权衡。最后，我们通过实验展示了这些权衡，其结果与理论分析一致。
引用
@article{arxiv.2111.01570,
title = {Privacy-Preserving Communication-Efficient Federated Multi-Armed Bandits},
author = {Tan Li and Linqi Song},
journal= {arXiv preprint arXiv:2111.01570},
year = {2021}
}