本文就基于上下文线性赌博机的联邦学习问题提出了一种称为 FedUCB 的多代理私有算法,该算法在中央化和去中心化(点对点)联邦学习方案中均可使用,在保证通信隐私的同时,在后遗憾度和隐私保证方面表现出极强的实用性。
Oct, 2020
研究了在联邦学习中维持隐私的问题,提出了一种隐私保护的联邦组合赌博算法,P-FCB,该算法在保持敏感信息私密的同时提高了效率和减少后悔的风险。
Jun, 2022
本文研究联邦线性情境强化学习在用户级差分隐私下的模型,介绍了用户级中心差分隐私和本地差分隐私,并研究了学习遗憾与相应差分隐私保证之间的基本权衡。对于中心差分隐私,提出了一种联邦算法 Robin,并在满足用户级差分隐私的情况下证明了其近乎最优,对于本地差分隐私,获得了一些下界,表明在不同条件下,满足用户级 (ε,δ)-LDP 的学习必须遭受至少 min {1/ε,M} 或 min {1 / 根号下 ε,根号下 M} 的遗憾膨胀因子。
Jun, 2023
本文提出采用贝叶斯差分隐私来增强联邦学习的形式化隐私保证,提出适用于联邦学习的贝叶斯隐私计算方法,并在图像分类任务上表现出明显的优势。
Nov, 2019
在联邦环境中,考虑具有公平性和隐私保证的上下文多臂赌博机问题。我们提出了一种新的通信协议,使得联邦学习更加有效,并提供了确保差分隐私的算法。我们通过广泛的模拟实验证明了我们提出算法的有效性。
Feb, 2024
提出了个性化联邦多臂老虎机 (PF-MAB) 的总体框架,研究了一个灵活平衡泛化和个性化的混合老虎机学习问题,并提出了个性化联邦上置信上界 (PF-UCB) 算法,在理论分析和实验方面都取得了良好效果。
Feb, 2021
本篇论文介绍了联邦神经 - 上置信区间算法 (FN-UCB),该算法采用两个上界置信区间 (UCB) 的加权组合,以更好地利用联合设置,并证明了 FN-UCB 的累积后悔和通信轮数上限。
May, 2022
本文介绍了一种受多臂赌博机方法启发的动态上界置信度算法 (dUCB),以解决个性化联邦学习中用户聚类的复杂性问题,特别在动态网络中,该算法平衡了探索与利用,使新用户能够有效地找到适合其数据分布的最佳聚类,并在各种情况下评估了算法的性能,展示了其在处理动态联邦学习场景中的有效性。
Oct, 2023
本文探讨了多臂赌博问题在本地差分隐私保证下的遗憾最小化问题,采用差分隐私技术处理用户敏感信息,证明了一种下限并提出算法,数值实验验证了结论。
Jul, 2020
这篇论文提出了联邦多臂老虎机的新模型,并研究了两个具体的联邦多臂老虎机模型,提出了 Federated Double UCB 方法用于解决两个模型,理论与实验结果表明了该算法的效果和高效性。
Jan, 2021