ユーザーレベルのローカル差分プライバシーによる学習

ユーザーレベルのプライバシーは分散システムにおいて重要です。これまでの研究は主に中央モデルに焦点を当てていましたが、ローカルモデルにはあまり注意が払われていませんでした。中央モデルの下では、ユーザーレベルのDPはアイテムレベルのDPよりも厳密に強力です。しかし、ローカルモデルの下では、ユーザーレベルとアイテムレベルのLDPの関係がより複雑になり、したがって分析も大きく異なります。本論文では、まず平均推定問題を分析し、それを確率的最適化、分類、および回帰に適用します。特に、すべてのプライバシーレベルで最適なパフォーマンスを達成するための適応的戦略を提案します。さらに、提案した手法が対数因子までミニマックス最適であることを示す情報理論的下限も得られます。ユーザーレベルのDPが常に収束が遅くなる中央DPモデルとは異なり、私たちの結果は、ローカルモデルの下では有界サポートを持つ分布の場合、ユーザーレベルとアイテムレベルのケースで収束速度がほぼ同じであることを示しています。重い尾を持つ分布の場合、ユーザーレベルの速度はアイテムレベルの速度よりもさらに速いです。”},{