私有外包贝叶斯优化
机器学习
2020-10-27 v1 密码学与安全
机器学习
摘要
本文提出私有外包高斯过程上置信界（PO-GP-UCB）算法，这是首个在具有可证明性能保证的外包设定下用于隐私保护贝叶斯优化（BO）的算法。我们考虑外包设定，其中持有数据集的实体与执行 BO 的实体由不同方代表，且数据集不能以非隐私方式发布。例如，一家医院持有敏感医疗记录的数据集，并将该数据集上的 BO 任务外包给一家工业 AI 公司。我们方法的核心思想是使算法的 BO 性能类似于使用原始数据集运行的非私有 GP-UCB，这通过采用基于随机投影的变换来实现，该变换同时保留隐私与输入之间的成对距离。我们的主要理论贡献是证明可以为我们的 PO-GP-UCB 算法建立类似于标准 GP-UCB 算法的后悔界。我们使用合成和真实世界数据集实证评估了 PO-GP-UCB 算法的性能。
引用
@article{arxiv.2010.12799,
title = {Private Outsourced Bayesian Optimization},
author = {Dmitrii Kharkovskii and Zhongxiang Dai and Bryan Kian Hsiang Low},
journal= {arXiv preprint arXiv:2010.12799},
year = {2020}
}
备注
37th International Conference on Machine Learning (ICML 2020), Extended version with proofs, 27 pages