联邦学习中异质隐私约束下数据的公平价值

现代数据聚合通常涉及平台从具有不同隐私选项的用户网络收集数据。平台必须解决如何向用户分配激励以说服他们共享数据的问题。本文基于公平性的公理化定义（沿著名的 Shapley 值思路），提出了在给定隐私级别下补偿用户数据的“公平”数量的构想。据我们所知，这些是首个明确考虑隐私约束的数据公平性概念。我们还为平台构建了一个具有用户隐私级别选项的异质联邦学习问题。通过研究该问题，我们探讨了在具有不同隐私级别、数据量和异质程度的公平分配下用户获得的补偿金额。我们还讨论了当平台被迫设计公平激励时会发生什么。在某些条件下，我们发现当隐私敏感度较低时，平台将设定激励以确保以最低隐私选项收集所有数据。当隐私敏感度高于给定阈值时，平台将不向用户提供激励。在这两种极端情况之间，平台将设定激励，使得部分用户选择较高隐私选项，而其他用户选择较低隐私选项。