隐私敏感领域中联邦学习的可证明互惠利益
机器学习
2024-11-08 v2 密码学与安全
计算机科学与博弈论
机器学习
摘要
跨孤岛联邦学习 (FL) 允许数据所有者通过利用彼此的私有数据集来训练准确的机器学习模型。不幸的是，协作带来的模型精度收益往往被隐私防御措施所削弱。因此，为了激励隐私敏感领域中的客户端参与，FL 协议应在隐私保证和最终模型精度之间取得微妙的平衡。在本文中，我们研究了服务器何时以及如何设计一个对所有参与者都可证明有益的 FL 协议的问题。首先，我们在均值估计和凸随机优化的背景下，提供了互惠有益协议存在的必要和充分条件。我们还推导出了在对称隐私偏好下最大化总客户端效用的协议。最后，我们设计了最大化最终模型精度的协议，并在合成实验中展示了其益处。
引用
@article{arxiv.2403.06672,
title = {Provable Mutual Benefits from Federated Learning in Privacy-Sensitive Domains},
author = {Nikita Tsoy and Anna Mihalkova and Teodora Todorova and Nikola Konstantinov},
journal= {arXiv preprint arXiv:2403.06672},
year = {2024}
}
备注
AISTATS 2024; Camera-ready version (updated references)