- 深度自动化机制设计 --- 用于广告竞价和分配的新闻推送
电子商务平台上的广告拍卖和分配过程对广告收入和总商品交易量有直接影响,存在两个问题:广告拍卖阶段不考虑外部因素(例如实际显示位置和上下文对广告点击率的影响),广告分配阶段无法实现广告的激励兼容性。以往的研究多关注其中一个阶段,忽视了这个两个 - 一个简单实用的方法来减少差异隐私的不均衡影响
通过使用分层方法,可以在不用额外的隐私预算的情况下得到高准确性的全局统计学估计,从而减少差异的工作是减少差异的差异数据隐私机制应该被比较的一个强有力的基线。
- 多臂赌博机与战略代理的鲁棒和激励性算法
我们考虑了一种随机多臂赌博问题的变种,其中臂是可以改善奖励或吸收奖励的战略代理。我们设计了一种机制,以鼓励在平衡状态下实现最高水平的性能,并在非平衡情况下至少获得具有最高均值的诚实代理的收入。我们还确定了一类称为性能激励的 MAB 算法,它 - MM语义通信下的资源分配与物理层安全
本研究论文提出了一种联合优化算法,用于减少总延迟和提高效用的语义通信系统。该系统包含了物理层安全方法,通过秘密速率来确保信息不被窃听者获得。实验结果表明,与基线相比,所提出的算法能够达到最佳的联合优化性能。
- 使用分散聚合进行具有差分隐私的联邦学习
移动设备、隐私、实用性、联邦学习和差分隐私是该研究的主要关键词,研究通过在联邦学习中采用差分隐私的实验环境并使用基准数据集来探讨隐私与实用性之间的平衡问题。
- 评估差分隐私合成数据对表格数据的效用和公平性在端到端机器学习流程中
对比真实数据,研究调查了采用差分隐私合成数据可以替代机器学习流程中的真实数据,并确定了训练和评估机器学习模型的最有效的合成数据生成技术。结果显示,基于边缘分布的合成数据生成器能够获取与真实数据相似的实用性和公平性特征。
- FLAIM: 基于 AIM 的联邦环境中的合成数据生成
在保护个人隐私的同时实现协同数据共享对组织非常重要。合成数据生成是一种解决方案,可以产生与私有数据具有统计特性相似的人工数据。本文提出了在联邦环境下进行合成表格数据生成的研究。通过在最先进的中心化方法 AIM 的基础上构建 DistAIM - 迈向更好的公平性效用权衡:一种全面基于测量的强化学习框架
提出了一种基于强化学习的 CFU(综合公平性 - 效用)框架,可以在多个公平度量方面同时改善机器学习分类器的公平性和效用。通过建立综合度量和新度量,构建了 CFU 的奖励函数,并通过广泛实验验证了其性能优于现有技术,并实现了平均 37.5% - 部署强健偏好引发算法:针对 COVID-19 患者优先顺序制定的实验设计、界面和评估
研究检验了一个新的在线选择策略的实用性,该方法使用 AI 和优化来有效地了解利益相关者的偏好,与其他方法相比,该方法对于推荐具有更高效用性的政策表现出更好的性能,特别是在 COVID-19 流行期间的疫情管理中。
- 无需出价,无悔选择:基于成对反馈的数字商品与数据竞拍机制
本文提出了一种使用配对比较的机制设计,该机制设计针对变量质量的定制商品,在任何具有定制商品的场景中具有广泛适用性,并在多标签毒性注释数据上进行了实验。
- 不公平的公共设施及改善的首要步骤
该研究提出了一种新的公平性框架,不再局限于政策或预测器的选择,而是考虑政策正在优化的效用,定义了信息价值公平性,并建议不使用不满足此标准的效用。研究描述了如何修改效用以满足这种公平标准,并讨论了这可能对相应最优政策产生的影响。
- 揭示合成图像的实用性:不必完美也能出色
深度生成模型生成的合成图像可以解决数据缺乏和数据隐私问题。然而,图像质量评估仅仅基于图像质量测量,并且绝大部分研究者更青睐于产生逼真的图像的合成模型,即具有良好保真度评分,例如低 FID 和高 PSNR 的图像。本研究通过分析超过 100k - FairDP:差分隐私下的合规公平性保障
本文介绍了 FairDP 机制,它是一种同时确保差分隐私和公平性的新型机制。 FairDP 通过为不同的个体群体独立训练模型,并使用群体特定的剪辑术语来评估和限制 DP 的差异影响来运行。 在整个训练过程中,该机制逐步集成来自群体模型的知识 - 基于理论原则的联邦学习 —— 以平衡隐私和效用为目标
提出一个保护机制的通用学习框架,通过扭曲模型参数保护隐私,可以在联合学习中实现个性化的隐私保护与数据价值间的权衡。在理论和实验证明该算法有效,提高了隐私维护的联合学习方法。
- 通过数据生成和参数扭曲实现隐私保存联邦学习近乎最佳效用
研究在保持隐私的前提下通过数据生成和参数扭曲实现近乎最优效用的条件,提供了一种达到近乎最优效用的途径和相应的保护机制,同时提供了一种隐私与效用之间权衡的交易的上限。
- 多能源管理系统的自我完善硬约束条件下安全的强化学习
本文介绍了两项新的安全强化学习方法,OptLayerPolicy 和 self-improving hard constraints,将约束函数与 RL 形式解耦,以提高初始效用和准确性,提供了在模拟的多能源系统案例研究中实现 92.4%( - 利用不确定性实现公平性
本研究提出一种旨在平衡公平性和实用性的机器学习分类任务的独特解决方案,它利用贝叶斯学习估计样本预测的不确定性,并通过不确定性量化来定义新型的公平性 - 效用目标,从而实现同时优化公平性和实用性。实证研究发现,具有低分类不确定性的样本比高不确 - 具有私有预测的私有算法
以预测为基础的差分隐私方法是一种强大的方法,它可以利用外部信息来提高效用和添加噪声偏差稳健性。我们提出了四种重要任务的预测依赖的差分隐私方法,并对其进行了各项分析,包括对数据的最小假设,对噪声预测的自然稳健性增强和学习他人(可能是敏感的)数 - GODEL:面向目标导向对话的大规模预训练
这篇论文介绍了 GODEL(Grounded Open Dialogue Language Model),它是一种大型预训练语言模型,用于对话。与以前的模型相比,GODEL 利用了一种新的基于 Grounded 的预训练方法,以更好地支持适 - 私有 ERM 中隐私保护的实用性差分隐私:理解 Epsilon 对实用性的影响
通过理论探索差分隐私强度参数 epsilon 对学习模型效用的影响,建立并提出了一种可以在任意 epsilon 值下对效用进行估计的实用方法,该方法在实验结果表现出高精度估计和广泛适用性,同时能够在保障隐私的前提下提供较强的效用保证。