联邦学习场景中，在适应度函数平滑、强凸、利普斯特连续的条件下，估算各客户端使用不同隐私预算时最终全局模型的信息损失量。实践中，针对适应度函数是否符合平滑、强凸、利普斯特连续设计了两种算法，如果适应度函数不符合上述条件，则对全局模型的参数进行一种平均化操作。Nan W., et al. “The Value of Collaboration in Convex Machine Learning with Differential Privacy.” 2020 IEEE Symposium on Security and Privacy. 304-317.
本文提出方法能够很好的模拟ML在不同隐私保护参数下的结果，实现在模型训练前对模型结果的估算；使用一种平均化算法实现了本文方法在更一般的ML形式下的适应性。
本文提出的适应度前提条件过强，虽然提出了不符合条件时的平均算法，但平均算法变化了模型参数的计算方式，初始算法不能应对模型参数大小无穷的情况；论文对最大样本损失量的阐述在参数相关的问题缺乏解释。
2023年12月26日
- Collaboration Differential Learning Machine Privacycollaboration differential learning machine learning机器machine clustering algorithm learning machine learning project machine eecs learning machine bigdataaiml-ml-models bigdataaiml learning machine python in adversarial patterns learning machine non-deep learning machine notes learning machine note 01 learning machine note