Differentially Private High Dimensional Bandits

Shukla, Apurv

计算机科学 > 机器学习

arXiv:2402.03737 (cs)

[提交于 2024年2月6日 ]

标题：差分隐私高维老虎机

标题： Differentially Private High Dimensional Bandits

Authors:Apurv Shukla

摘要：我们考虑当参数向量是$s_{0}$-稀疏时的高维随机上下文线性老虎机问题，并且决策者在中央和本地差分隐私模型下受到隐私约束。我们提出 PrivateLASSO，一种差分隐私的 LASSO 老虎机算法。 PrivateLASSO 基于两个子例程：(i) 一种基于稀疏硬阈值的隐私机制和 (ii) 用于识别参数$\theta$支持的周期性阈值规则。我们在标准假设下证明了最小最大隐私下界，并为中央模型下的 PrivateLASSO 建立了隐私和效用保证。

摘要： We consider a high-dimensional stochastic contextual linear bandit problem when the parameter vector is $s_{0}$-sparse and the decision maker is subject to privacy constraints under both central and local models of differential privacy. We present PrivateLASSO, a differentially private LASSO bandit algorithm. PrivateLASSO is based on two sub-routines: (i) a sparse hard-thresholding-based privacy mechanism and (ii) an episodic thresholding rule for identifying the support of the parameter $\theta$. We prove minimax private lower bounds and establish privacy and utility guarantees for PrivateLASSO for the central model under standard assumptions.

主题：	机器学习 (cs.LG) ; 密码学与安全 (cs.CR); 系统与控制 (eess.SY); 优化与控制 (math.OC); 机器学习 (stat.ML)
引用方式：	arXiv:2402.03737 [cs.LG]
	(或者 arXiv:2402.03737v1 [cs.LG] 对于此版本)
	https://doi.org/10.48550/arXiv.2402.03737

提交历史

来自： Apurv Shukla [查看电子邮件]
[v1] 星期二， 2024 年 2 月 6 日 06:10:46 UTC (28 KB)

计算机科学 > 机器学习

标题：差分隐私高维老虎机

标题： Differentially Private High Dimensional Bandits

提交历史

获取论文：

参考文献与引用

收藏

文献和引用工具

与本文相关的代码，数据和媒体

演示

推荐器和搜索工具

arXivLabs：与社区合作伙伴的实验项目

计算机科学 > 机器学习

标题： 差分隐私高维老虎机 显示英文标题

标题： Differentially Private High Dimensional Bandits

提交历史

获取论文：

参考文献与引用

BibTeX 格式的引用

收藏

文献和引用工具

与本文相关的代码，数据和媒体

演示

推荐器和搜索工具

arXivLabs：与社区合作伙伴的实验项目

标题：差分隐私高维老虎机