可扩展且可证明准确的差分隐私分布式决策树学习算法
机器学习
2021-02-24 v3 密码学与安全
机器学习
摘要
本文介绍了分布式环境下（Balcan 等，2012）首个可证明准确的差分隐私自顶向下决策树学习算法。我们提出 DP-TopDown，一种通用的隐私保护决策树学习算法，并给出两种分布式实现。我们的第一种方法 NoisyCounts 通过使用拉普拉斯机制自然扩展了单机算法。我们的第二种方法 LocalRNM 通过在每个数据持有者处执行局部优化，显著减少了通信量和附加噪声。我们提供了单机和分布式环境下差分隐私自顶向下决策树学习的首个效用保证。这些保证表明，只要数据集足够大，隐私学习决策树的误差会快速趋于零。我们在真实数据集上的大量实验说明了分布式环境下学习隐私决策树时隐私、准确性和泛化之间的权衡。
引用
@article{arxiv.2012.10602,
title = {Scalable and Provably Accurate Algorithms for Differentially Private Distributed Decision Tree Learning},
author = {Kaiwen Wang and Travis Dick and Maria-Florina Balcan},
journal= {arXiv preprint arXiv:2012.10602},
year = {2021}
}
备注
In AAAI Workshop on Privacy-Preserving Artificial Intelligence, 2020