Approccio al Gioco a Campo Medio per la Privacy nell'Apprendimento Federato
Un recente studio pubblicato su arXiv (2607.23029) introduce un gioco di privacy a campo medio volto a migliorare la privacy nell'apprendimento federato. In questo modello, ogni cliente prende decisioni strategiche riguardo al proprio budget di privacy interagendo con la popolazione più ampia tramite una singola statistica di campo medio. Questo metodo produce un equilibrio di Nash gestibile applicabile a qualsiasi numero di clienti, supporta preferenze eterogenee e fornisce una garanzia di privacy che decade esponenzialmente basata su una disuguaglianza log-Sobolev. La ricerca collega studi precedenti sull'iniezione di rumore e giochi multi-agente, presentando un approccio scalabile per l'addestramento collaborativo sicuro di modelli.
Fatti principali
- Il paper arXiv:2607.23029 propone un gioco di privacy a campo medio per l'apprendimento federato
- Ogni cliente sceglie strategicamente il proprio budget di privacy
- L'interazione avviene attraverso una singola statistica di campo medio
- Produce un equilibrio di Nash trattabile per un numero arbitrario di clienti
- Accoglie preferenze eterogenee dei clienti
- Eredita una garanzia di privacy a decadimento esponenziale tramite la disuguaglianza log-Sobolev
- Collega gli approcci di iniezione di rumore e giochi multi-agente
- Pubblicato su arXiv
Entità
Istituzioni
- arXiv