storyteller的博客

我们考虑了在分布式私有数据集上进行隐私感知优化的机器学习（ML）。假设数据所有者对梯度查询提供差分隐私（DP）响应，对所提出的DP梯度下降算法的理论分析提供了一种根据隐私预算和数据集大小预测ML模型质量的方法。我们证明了在拟合成本的平滑性和强凸性假设下，我们的算法中考虑和不考虑数据所有者隐私约束的训练模型之间的差异被所约束。使用多个机构/银行间分割的真实金融数据集的实证结果表明，对于所提出的算法，相对适应度实际上遵循和。