以隐私换效用：联邦学习中基于学习的隐私定价博弈
计算机科学与博弈论
2023-02-16 v2
摘要
为防止联邦学习(FL)下数据所有者(DOs)在共享梯度时的隐式隐私泄露，差分隐私(DP)及其变体已成为以低开销提供形式化隐私保证的通用做法。然而，个体 DOs 通常倾向于注入更大的 DP 噪声以获得更强的隐私保护(这会导致模型效用严重退化)，而协调者(即聚合服务器)旨在最小化所加随机噪声的总体影响以获得满意的模型性能。为调和这一冲突目标，我们提出了一种新颖的动态隐私定价(DyPP)博弈，允许 DOs 通过出售个体隐私(降低本地所加 DP 噪声的尺度)换取差异化的经济补偿(由协调者提供)，从而提升 FL 模型效用。考虑到参与者间多维信息不对称(如 DO 的数据分布与隐私偏好，以及协调者的最大可承受支付)及其在不同 FL 任务中变化的私有信息，难以直接求得混合策略 DyPP 博弈的纳什均衡。对此，我们设计了一种双层快速强化学习算法，在无需参与者私有信息先验知识的情况下，快速学习 DOs 的最优混合噪声节省策略与协调者的最优混合定价策略。在真实数据集上的实验验证了所提方案在更快收敛速度、以更低支付成本提升 FL 模型效用方面的可行性与有效性。
引用
@article{arxiv.2301.08474,
title = {Trade Privacy for Utility: A Learning-Based Privacy Pricing Game in Federated Learning},
author = {Yuntao Wang and Zhou Su and Yanghe Pan and Abderrahim Benslimane and Yiliang Liu and Tom H. Luan and Ruidong Li},
journal= {arXiv preprint arXiv:2301.08474},
year = {2023}
}
备注
Accepted by IEEE ICC2023