Core Concepts
差分プライバシーは、現代の学習ベースアプリケーションにおけるプライバシー保護に最も有望な手法であり、厳密な差分プライバシーと最適化精度を同時に確保することが可能です。
Abstract
近年、分散最適化と学習が広く応用されています。しかし、既存のアルゴリズムはプライバシー懸念を引き起こすため、差分プライバシーが重要です。本論文では、差分プライバシーを実現するアルゴリズムやその効果について詳細に説明しています。さらに、実際の機械学習問題への応用例や将来の方向性についても議論しています。
Stats
Huang et al. (2015)によるϵ-DPアルゴリズムが提案されました。
Zhang and Wang (2019)は安全な多者計算を使用したDPアルゴリズムを導入しました。
Wang and Nedi´c (2024)は厳密なDPと最適化精度を同時に確保するアルゴリズムを開発しました。
Quotes
外部の敵対者が共有メッセージから生データを抽出することが容易である場合、DP-distributed optimization/learning結果は制限されます。