Aprendizaje Automático Personalizado y Privado de Par a Par

El auge de los dispositivos personales conectados junto con las preocupaciones sobre la privacidad exige algoritmos de aprendizaje automático capaces de aprovechar los datos de un gran número de agentes para aprender modelos personalizados bajo requisitos de privacidad estrictos. En este documento, presentamos un algoritmo eficiente para abordar el problema mencionado de manera totalmente descentralizada (de par a par) y asíncrona, con una tasa de convergencia comprobable. Mostramos cómo hacer que el algoritmo sea diferencialmente privado para proteger contra la divulgación de información sobre los conjuntos de datos personales y analizamos formalmente la compensación entre utilidad y privacidad. Nuestros experimentos muestran que nuestro enfoque supera dramáticamente el trabajo anterior en el caso no privado y que, bajo restricciones de privacidad, podemos mejorar significativamente los modelos aprendidos de forma aislada.