私有交替最小二乘：具有更紧速率的实用私有矩阵补全
机器学习
2021-07-22 v1 密码学与安全
机器学习
摘要
我们研究用户级隐私下差分隐私（DP）矩阵补全问题。我们设计了流行的交替最小二乘（ALS）方法的一种联合差分隐私变体，其实现：i）矩阵补全的（近乎）最优样本复杂度（就物品数、用户数而言），以及 ii）已知最好的隐私/效用权衡，无论在理论上还是基准数据集上。特别地，我们首次给出了引入噪声以保证 DP 的 ALS 的全局收敛分析，并表明与已知最佳替代方案（Jain 等人（2018）的私有 Frank-Wolfe 算法）相比，我们的误差界随物品数和用户数的缩放显著更优，这在实际问题中至关重要。在标准基准上的广泛验证表明，该算法与精心设计的采样过程相结合，比现有技术显著更准确，从而有望成为首个实用的 DP 嵌入模型。
引用
@article{arxiv.2107.09802,
title = {Private Alternating Least Squares: Practical Private Matrix Completion with Tighter Rates},
author = {Steve Chien and Prateek Jain and Walid Krichene and Steffen Rendle and Shuang Song and Abhradeep Thakurta and Li Zhang},
journal= {arXiv preprint arXiv:2107.09802},
year = {2021}
}