寻求平衡：面向逻辑回归的异质差分隐私数据获取的最优机制设计
机器学习
2024-10-18 v2 计算机科学与博弈论
摘要
我们解决了利用来自隐私敏感卖方的数数据解决机器学习任务的挑战。由于数据是私有的，我们设计了一个数据市场，以激励卖方提供其数据以换取支付。因此，我们的目标是设计一种机制，优化测试损失、卖方隐私与支付的加权组合，在构建良好的隐私保护 ML 模型与最小化对卖方支付之间取得平衡。为此，我们首先提出一种在已知异质差分隐私保证下求解逻辑回归的方法。基于这些结果并利用标准机制设计理论，我们开发了一个两步优化框架。我们进一步将该途径扩展为一种处理卖方顺序到达的在线算法。
引用
@article{arxiv.2309.10340,
title = {Striking a Balance: An Optimal Mechanism Design for Heterogenous Differentially Private Data Acquisition for Logistic Regression},
author = {Ameya Anjarlekar and Rasoul Etesami and R. Srikant},
journal= {arXiv preprint arXiv:2309.10340},
year = {2024}
}