本文提出了一种分布式优化算法,通过引入差分隐私的方法来保护隐私信息,该算法通过加性噪声扰动公共信号,噪声的大小由投向用户指定约束条件的投影运算的灵敏度决定,将它视为随机梯度下降的一种实现,并通过对其次优性的边界估计来评估算法的性能,同时对电动汽车充电场景进行了数值模拟,评估了算法在实践中的使用效果,包括步长的选择、迭代次数以及隐私级别和子优延迟之间的权衡问题。
Nov, 2014
该论文提出了一种针对分布式在线学习的隐私保护算法,在保证微分隐私的同时提高算法的学习准确率,并采用本地微分隐私算法框架来避免对数据收集方的信任,有效地对包括逻辑回归和基于 CNN 的图像分类等任务进行了测试。
Jun, 2023
本文提出了一种新型的分布式在线学习算法,并采用差分隐私来保护学习者的隐私。通过使用在线学习的遗憾界,实现离线学习算法的快速收敛。在模拟中,证明了我们所提出的定理的正确性和算法的普适性。
May, 2015
该文探讨了在深度学习模型中如何保护训练数据的隐私,比较了不同优化方法对模型性能、训练效果和隐私攻击的影响,并确定了 dropout 和 l2 正则化作为较优秀的隐私保护方法。
Sep, 2022
如何在个人的隐私需求和安全顾虑中实现个体之间的信息交流以彼此学习?通过采用严格的统计担保,基于差分隐私(DP)控制信息泄露,我们使得保护个人隐私和实现高效社会学习成为可能。我们的研究结果揭示了在质量、学习准确性、通信成本和个体隐私保护水平之间在有限和无限信号环境下的权衡性质。
Feb, 2024
本研究提出了一种基于梯度追踪的本地差分隐私分布式在线学习算法,通过确保严格的本地差分隐私,该算法在均方意义下收敛于精确的最优解,即使在迭代次数趋向无穷的情况下,累积隐私预算也是有限的。在实验中,该算法在多个基准机器学习应用中表现良好,并且在训练和测试准确性方面均优于现有的对应方法。
Oct, 2023
本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案,通过交换信息,聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证,证明该算法的高效性和性能保障。
本文利用分布式鲁棒优化技术,开发了一种机制设计模型,以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。
Apr, 2023
本文研究带有隐私限制的分布式优化问题,即私有分布式优化(PDOP)问题,提出了一类迭代算法来解决该问题,并达到了差分隐私和优化值的收敛,同时分析了算法的准确性和隐私水平与参数之间的关系。
Jan, 2014
本文讨论了机器学习和差分隐私之间的相互作用,即隐私保护机器学习算法和基于学习的数据发布机制,探讨了可以通过差分隐私进行学习的内容以及差分隐私算法的损失函数上限。同时提出了一些开放性问题,包括如何整合公共数据,如何处理私人数据集中的缺失数据,以及当观察样本数量任意增大时,是否可以实现差分隐私机器学习算法而无需牺牲相关算法的效用成本。
Dec, 2014