Privacy-Preserving Dynamic Personalized Pricing with Demand Learning
New York University(纽约大学);Massachusetts Institute of Technology(麻省理工学院);University of Florida(佛罗里达大学)
电子商务的普及使零售商能够随时获得详细的客户个人信息,这些信息已被广泛用于定价决策。当涉及到个性化信息时,如何保护这些信息的隐私权成为实践中的一个关键问题。在本文中,我们考虑一个动态定价问题的$T$时间段与\emph{unknown}需求函数的价格和个性化的信息。在每次$t$,零售商观察到达的顾客的个人信息并提供价格。然后,顾客做出购买决策,零售商将利用该决策来学习潜在的需求函数。在此过程中可能存在严重的隐私问题:第三方代理可能会从定价系统的价格变化中推断出个性化信息和购买决策。利用计算机科学中的差分隐私的基本理论框架,提出了一种隐私保护的动态定价策略,该策略在保证零售商收益最大化的同时,避免了个体消费者信息和购买决策信息的泄露。为此,我们首先介绍了\emph{anticipating} $(\varepsilon, δ)$的概念-差分隐私,是专为动态定价问题。我们的政策实现了隐私保证和遗憾方面的性能保证。粗略地说,对于$d$维的个性化信息,当客户信息被逆向选择时,我们的算法达到了$\tilde{O}(\varepsilon^{-1} \sqrt{d^3 T})$量级的期望遗憾。对于随机的个性化信息,遗憾界可以进一步改进为$\tilde{O}(\sqrt{d^2T} + \varepsilon^{-2} d^2)$
2021-07-25 cs.CR cs.GT cs.LG
Probabilistic Matrix Factorization with Personalized Differential Privacy
Anhui University(安徽大学)
概率矩阵分解(PMF)在推荐系统中起着至关重要的作用。它需要大量的用户数据(如用户购物记录和电影评分)来预测个人偏好,从而为用户提供高质量的推荐服务,这暴露了用户隐私泄露的风险。差分隐私作为一种可证明的隐私保护框架,在推荐系统中得到了广泛的应用。不同的个人对项目有不同级别的隐私要求是常见的。然而,传统的差分隐私只能为所有用户提供统一级别的隐私保护。本文主要提出了一种具有个性化差分隐私的概率矩阵分解推荐方案(PDP-PMF)。它旨在满足用户在项目级别指定的隐私要求,而不是为所有人提供相同级别的隐私保证。然后,我们开发了一个修改的采样机制(有界差分隐私)实现PDP。我们还进行了理论分析的PDP-PMF计划,并证明了PDP-PMF计划的隐私。此外,我们实现了传统的和个性化的差分隐私(DP-PMF,PDP-PMF)的概率矩阵分解方案,并通过一系列的实验进行比较。实验结果表明,PDP-PMF方案在保护用户隐私方面表现良好,推荐质量明显优于DP-PMF方案。
2018-10-19 cs.CR cs.LG
Privacy in Personalized AI Is a System Property, Not Just a Model Property
SJTU Paris Elite Institute of Technology(上海交通大学巴黎卓越工程师学院);Kibo Ryoku Research(Kibo Ryoku研究院)
本文主张个性化AI的隐私应从系统层面审视,而非仅模型层面,提出四个隐私风险渠道及四项系统级评估要求,以完善隐私审计。
2026-10-01 cs.CR cs.IR cs.LG
Differential Privacy Personalized Federated Learning Based on Dynamically Sparsified Client Updates
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);No.208 Research Institute of China Ordnance Industries(中国兵器工业第二〇八研究所)
针对差分隐私个性化联邦学习中个性化不足及隐私与性能平衡欠佳的问题,提出DP-pFedDSU方法,通过重参数化和自适应范数动态稀疏化客户端更新,有效减少噪声并提升模型性能。
2025-04-27 cs.CR cs.LG
Privacy Preserving Machine Learning Model Personalization through Federated Personalized Learning
American International University-Bangladesh(孟加拉国美国国际大学);North South University(北南大学)
本文通过PPMLFPL框架分析隐私保护下的机器学习模型个性化方法,比较APPLE+DP与APPLE+HE算法,发现前者执行效率高,后者整体表现更优,为隐私保护个性化学习提供实践指导。
2025-05-03 cs.CR cs.DC cs.LG
FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
UMBC(马里兰大学巴尔的摩分校)
针对受控数据访问模式下个体数据贡献者无法量化参与机器学习任务的隐私风险这一问题,研究团队开发了FT-PrivacyScore演示原型,可高效定量评估参与模型微调任务的隐私风险,源代码将开源。
2024-10-30 cs.CR cs.LG
Personalized Differential Privacy for Ridge Regression
Georgia Institute of Technology(佐治亚理工学院);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
针对差分隐私统一隐私水平限制准确率的问题,提出支持逐点设置隐私水平的PDP-OP方法,给出理论保证并通过实验验证其能优化隐私-准确率权衡、优于现有方法。
2024-01-30 cs.CR cs.CY cs.LG
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation
University of California, Santa Cruz(加州大学圣克鲁兹分校);Argonne National Laboratory(阿贡国家实验室)
本文提出隐私保护联邦学习(PPFL),通过个性化层和差分隐私机制在异构智能电表数据上实现短期负荷预测,并在NREL ComStock数据集上验证了其有效性。
2023-11-21 cs.CR cs.LG
Generating Personalized Insulin Treatments Strategies with Deep Conditional Generative Time Series Models
University of Zurich(苏黎世大学);University Hospital of Zurich(苏黎世大学医院)
结合深度生成时间序列模型与决策理论,生成个性化胰岛素治疗方案,以优化住院糖尿病患者的血糖预测与治疗策略。
2023-11-13 cs.LG stat.ML
Cross-silo Federated Learning with Record-level Personalized Differential Privacy
Renmin University of China(中国人民大学);Zhejiang University(浙江大学);Emory University(埃默里大学)
本文针对跨孤岛联邦学习提出 rPDP-FL 框架,通过客户端级均匀采样与记录级非均匀采样实现记录级个性化差分隐私,并利用 Simulation-CurveFitting 建模采样概率与隐私预算的非线性关系,显著提升模型性能。
2024-06-29 cs.AI cs.CR cs.LG
Towards Personalized Differentially Private Learning for Decentralized Local Graphs
School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院);State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室);School of Cyber Science and Technology, Shandong University(山东大学网络空间安全学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络空间安全学院);Department of Computer Science, University of Illinois at Chicago(伊利诺伊大学芝加哥分校计算机科学系)
研究去中心化局部图隐私学习问题,提出PPGNN框架,含个性化扰动机制和加权校准策略,能平衡隐私保护与数据效用。
2026-07-07 cs.CR cs.LG
Privacy Assessment of Federated Learning using Private Personalized Layers
Univ Lyon(里昂大学);INSA Lyon(里昂国立应用科学学院);Inria(法国国家信息与自动化研究所);Inserm(法国国家健康与医学研究院)
针对联邦学习中的推理攻击,本文评估私有个性化层在效用与隐私上的权衡,实验表明其可加快收敛、略微提升准确率,并优于局部差分隐私方案。
2021-09-26 cs.AI cs.CR cs.LG
Personalized DP-SGD using Sampling Mechanisms
KAIST(韩国科学技术院)
本文扩展DP-SGD以支持($Φ$,$Δ$)-个性化差分隐私,通过在DP-SGD迭代中嵌入多轮个性化采样机制,满足用户不同隐私级别需求,显著提升了模型性能与效率。
2023-05-24 cs.AI cs.CR cs.LG
Personalized Graph Federated Learning with Differential Privacy
Norwegian University of Science and Technology(挪威科技大学);University of Notre Dame(圣母大学);University of Hawaii at Manoa(夏威夷大学马诺阿分校)
本文提出个性化图联邦学习框架,利用模型相似性实现设备或集群特定模型的协同学习,并引入零集中差分隐私保护模型交换,理论证明其线性时间收敛且提供本地差分隐私,实验验证了其在回归与分类任务中的有效性。
2023-06-10 cs.LG stat.ML
Group privacy for personalized federated learning
Scuola Normale Superiore(比萨高等师范学校);INRIA(法国国家信息与自动化研究所);École Polytechnique(巴黎综合理工学院);Scuola Superiore Sant’Anna(圣安娜高等学校)
联邦学习(FL)是一种协作式机器学习,其中参与的对等体/客户端在本地处理其数据,仅共享对协作模型的更新。这使得能够构建隐私感知的分布式机器学习模型等。目标是通过最小化由一组客户端本地存储的数据集集合的成本函数来优化统计模型的参数。这个过程暴露给客户端两个问题:隐私信息的泄漏和缺乏个性化的模型。另一方面,随着最近各种数据分析技术的进步,人们对参与客户端的隐私侵犯的担忧激增。为了缓解这种情况,差分隐私及其变体作为提供正式隐私保证的标准。通常,客户端代表非常异构的社区,并持有非常多样化的数据。因此,与FL社区最近关注的为代表其多样性的用户构建个性化模型框架相一致,保护客户的敏感和个人信息免受潜在威胁也至关重要。为了实现这一目标,我们考虑$d$ -隐私,也被称为度量隐私,这是本地差分隐私的变体,使用基于度量的混淆技术,保留了原始数据的拓扑分布。为了解决保护客户隐私和允许个性化模型训练以增强系统的公平性和实用性的问题,我们提出了一种利用$d$的一些关键属性来提供组隐私保证的方法。隐私,使个性化模型的框架下的FL。我们提供了理论的适用性和实验验证的真实数据集上说明的工作,我们的方法
2022-09-04 cs.AI cs.CR cs.LG
Advancing Personalized Federated Learning: Integrative Approaches with AI for Enhanced Privacy and Customization
University of Mississippi(密西西比大学)
本文提出将自适应优化、迁移学习和差分隐私等先进AI技术集成到个性化联邦学习(PFL)中,以提升模型准确性和个性化水平,同时确保异构网络下的隐私保护与资源高效利用。
2025-01-30 cs.LG eess.SP
Preserving Privacy in Personalized Models for Distributed Mobile Services
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
移动设备的普及导致了向其用户提供个性化和上下文感知内容的移动服务的激增。现代移动服务分布在终端设备(如智能手机)和驻留在云中的远程服务器之间。这些服务的蓬勃发展取决于它们预测未来上下文的能力,以预取内容或提出特定于上下文的建议。一种越来越常见的预测未来上下文(如位置)的方法是通过机器学习(ML)模型。最近在上下文预测方面的工作集中在ML模型个性化上,其中为每个单独的用户学习个性化模型,以便根据用户的移动行为定制预测或建议。虽然个性化模型的使用提高了移动服务的效率,但我们认为它增加了隐私风险,因为个性化模型编码了每个用户独有的上下文行为。为了证明这些隐私风险,我们提出了几种基于属性推理的隐私攻击,并表明这种攻击可以泄露隐私,前3名预测的有效性高达78%。我们介绍了Pelican,这是一个用于上下文感知移动服务的隐私保护个性化系统,它利用设备和云资源来个性化ML模型,同时最大限度地降低用户隐私泄露的风险。我们评估鹈鹕使用真实世界的痕迹位置感知移动服务,并表明鹈鹕可以大大减少隐私泄露高达75%。
2021-04-21 cs.DC cs.LG
Limits of Personalizing Differential Privacy Budgets
CNRS, LAMSADE, Dauphine-PSL(法国国家科学研究中心、拉马萨德研究所、巴黎-萨特大学);Georgia Institute of Technology(佐治亚理工学院)
本文研究了个性化差分隐私预算的局限性,指出在均值估计中,选择合适的有效隐私预算比完全个性化更重要,通过阈值操作可实现改进,且在混合私有和公开数据集及多级隐私要求中量化了改进效果。
2026-05-13 cs.CR cs.LG
PEARL: Structural Privacy-Utility Control in Human-Centric CPS via Personalized Early-Exit Deep Reinforcement Learning
University of California, Irvine(加利福尼亚大学欧文分校)
PEARL通过边缘双路径早退深度Q网络,利用互信息训练效用与隐私置信标签,在推理时选择最浅退出分支,实现结构隐私控制,平均降低25.67%推理准确率,效用成本仅10-16%。
2026-09-14 cs.CR cs.HC cs.LG
FedRLHF: A Convergence-Guaranteed Federated Framework for Privacy-Preserving and Personalized RLHF
National University of Singapore(新加坡国立大学);CFAR, A*STAR(新加坡科技研究局CFAR);ETH Zurich(苏黎世联邦理工学院)
本文提出FedRLHF框架,通过联邦学习将RLHF去中心化,在保护隐私的同时实现个性化策略学习,并提供收敛保证与样本复杂度界,实验证明其性能可与集中式RLHF相媲美。
2025-02-08 cs.AI cs.CR cs.LG
Advancing Personalized Federated Learning: Group Privacy, Fairness, and Beyond
Scuola Normale Superiore(比萨高等师范学校);Scuola Superiore Sant’Anna(圣安娜高等研究学院);INRIA(法国国家信息与自动化研究所);École Polytechnique(巴黎综合理工学院)
本文针对联邦学习中个性化、隐私保护与公平性的三元冲突,提出基于 d-privacy(度量隐私)的方法,在实现个性化联邦训练和正式隐私保证的同时,显著提升群体公平性,并通过理论和实验验证其有效性。
2023-09-01 cs.CR cs.CY cs.LG
Personalized Privacy Control in LLMs via Attention Head Intervention
IPAI, Seoul National University(首尔国立大学IPAI);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
针对大语言模型隐私控制的用户偏好差异问题,提出个性化隐私概念及P3Bench基准,发现提示策略执行效果差,进而提出Repair方法提升隐私策略依从性
2026-08-24 cs.AI cs.CL cs.LG
PrivFedTalk: Privacy-Aware Federated Diffusion with Identity-Stable Adapters for Personalized Talking-Head Generation
Engineering Sciences, Homi Bhabha National Institute(霍米·巴巴国立研究所工程科学系)
本文提出PrivFedTalk框架,结合条件潜在扩散模型与参数高效的身份适应,解决个性化说话头生成中的隐私问题,通过身份稳定联邦聚合和时间去噪一致性正则化提升性能。
2026-04-09 cs.AI cs.CR cs.CV
Personalized Privacy Auditing and Optimization at Test Time
Syracuse University(雪城大学)
许多用于后续领域的学习模型,例如帮助法律,银行,招聘和医疗保健决策,利用潜在的敏感用户信息来进行推理。此外,通常需要完整的特征集来执行推断。这不仅给使用学习系统的个人带来了严重的隐私风险,而且还需要公司和组织大量的人力来验证发布信息的正确性。本文询问是否有必要要求\emph{all}输入功能的模型在测试时返回准确的预测,并表明,在个性化的设置下,每个人可能需要释放这些功能的一小部分,而不会影响最终的决定。本文还提供了一个有效的顺序算法,选择哪些属性应该由每个人提供。对几个学习任务的评估表明,个人可能能够报告少至10%的信息,以确保使用完整用户信息的模型的相同水平的准确性。
2023-01-31 cs.AI cs.CR cs.LG
P3SL: Personalized Privacy-Preserving Split Learning on Heterogeneous Edge Devices
Department of Computer Science, Virginia Tech(弗吉尼亚理工学院计算机科学系);Department of Computer Science, William & Mary(威廉与玛丽学院计算机科学系)
针对异构边缘设备分割学习忽视个性化隐私和本地定制的问题,提出P3SL框架,通过个性化顺序流水线和双层优化实现隐私保护与能耗平衡,并在7设备测试平台上验证了有效性。
2025-08-05 cs.AI cs.DC cs.LG
Randomized algorithms for precise measurement of differentially-private, personalized recommendations
Apple(苹果公司)
本文提出一种支持精确测量且满足差分隐私的个性化推荐随机化算法,通过广告场景离线实验,量化了其对用户体验、广告主价值和平台收入等关键指标的影响。
2024-01-06 cs.CR cs.IR cs.LG
Convergence-Privacy-Fairness Trade-Off in Personalized Federated Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Macquarie University(麦考瑞大学);Peng Cheng Laboratory(鹏城实验室);University of Technology Sydney(悉尼大学);University of Manitoba(曼尼托巴大学)
本文提出DP-Ditto,在差分隐私保护下扩展Ditto,分析个性化联邦学习中的隐私、收敛与公平权衡,并证明其在公平性和准确性上显著优于现有方法。
2025-06-17 cs.DC cs.LG
Privacy-Preserving Personalized Federated Prompt Learning for Multimodal Large Language Models
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM Research(IBM研究院)
针对多模态LLM联邦提示学习中个性化、泛化性与隐私难以平衡的问题,提出DP-FPL方法,通过低秩分解与差异化差分隐私保护策略,在减轻隐私噪声影响的同时平衡权衡,实验效果优于基准方法。
2025-02-13 cs.LG
Privacy-preserving patient clustering for personalized federated learning
Columbia University(哥伦比亚大学);New York Genome Center(纽约基因组中心)
针对医疗场景下聚类联邦学习需交换患者数据引发的隐私问题,本研究提出基于安全多方计算的PCBFL框架,在保护隐私的同时实现患者聚类,较现有框架显著提升死亡率预测性能。
2023-07-17 cs.CR cs.LG
Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning
University of Alberta(阿尔伯塔大学)
本文提出基于个性化联邦学习的传感器数据匿名化模型Blinder,通过变分自编码器与判别器对抗训练及元学习适配用户分布,在IMU数据集上实现端到端隐私保护,兼顾低开销与实时边缘部署。
2023-10-06 cs.CR cs.LG
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs
Sun Yat-sen University(中山大学)
图作为包含结构和特征信息的特殊信息载体,在图挖掘中有着广泛的应用,图神经网络。然而,在一些实际场景中,图数据被单独存储在多个分布式方中,由于利益冲突,这些数据可能不会直接共享。因此,联邦图神经网络被提出来解决这样的数据筒仓问题,同时保护每一方(或客户端)的隐私。然而,不同方之间的不同图数据分布,这被称为统计异质性,可能会降低像FedAvg这样的朴素联邦学习算法的性能。在本文中,我们提出了FedEgo,一个基于自我图的联邦图学习框架来解决上述挑战,每个客户端将训练他们的本地模型,同时也有助于训练一个全球模型。FedEgo将GraphSAGE应用于自我图,以充分利用结构信息,并利用Mixup解决隐私问题。为了处理统计异质性,我们将个性化学习,并提出了一个自适应的混合系数策略,使客户端实现其最佳个性化。大量的实验结果和深入的分析证明了FedEgo的有效性。
2022-09-09 cs.CR cs.LG
Differentially Private Graph Diffusion with Applications in Personalized PageRanks
Georgia Institute of Technology(佐治亚理工学院)
针对图扩散发布可能泄露敏感链接信息的问题,提出带边级差分隐私的图扩散框架,通过迭代注入拉普拉斯噪声、基于度的阈值函数及无穷瓦瑟斯坦距离跟踪优化隐私分析,在真实数据上验证了其在个性化PageRank任务中的隐私-效用优势。
2025-02-18 cs.CR cs.IR cs.LG
Personalized and Private Peer-to-Peer Machine Learning
INRIA;EPFL(瑞士联邦理工学院);Université de Lille(里尔大学)
本文提出一种高效算法,实现去中心化且异步的个性化机器学习,在强隐私要求下保证收敛性。通过差分隐私保护数据隐私,并分析隐私与效用的平衡。实验表明,在非隐私情况下优于先前方法,隐私约束下可显著提升模型性能。
2018-02-19 cs.CR cs.DC cs.LG
Federated Collaborative Filtering for Privacy-Preserving Personalized Recommendation System
EU Cloud R&D Center of Helsinki(赫尔辛基欧盟云研发中心);Huawei Technologies(华为技术有限公司)
对用户隐私的日益关注导致了新的隐私保护机器学习范例。在联邦学习范例中,主机器学习模型被分发给用户客户端,客户端使用其本地存储的数据和模型进行推理和计算模型更新。模型更新被发送回并在服务器上聚合以更新主模型,然后重新分发给客户端。在这种范例中,用户数据永远不会离开客户端,从而大大增强了用户的隐私,这与在超出用户控制的后端服务器上收集、存储和处理用户数据的传统范例形成对比。在本文中,我们介绍,据我们所知,第一个联邦实现的协作过滤器。对模型的联邦更新基于随机梯度方法。作为机器学习中的一个经典案例研究,我们探索了一个基于用户隐式反馈的个性化推荐系统,并证明了该方法对MovieLens和内部数据集的适用性。经验验证证实了一个协同过滤器可以联合没有损失的准确性相比,一个标准的实现,从而提高了用户的隐私在一个广泛使用的推荐应用程序,同时保持推荐性能。
2019-01-29 cs.AI cs.IR cs.LG
Taming Noise-Induced Prototype Degradation for Privacy-Preserving Personalized Federated Fine-Tuning
School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);School of Statistics, Renmin University of China(中国人民大学统计学院);School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院)
本文提出VPDR,通过引入自适应原型扰动和蒸馏引导裁剪正则化,改进原型基于个性化联邦学习,提升隐私保护与模型性能的平衡。
2026-04-30 cs.CV cs.LG
Privacy-Aligned Personalized Federated Learning with Compact Adaptation and Variable-Length Gaussian Communication
City University of Hong Kong(香港城市大学);University of British Columbia(不列颠哥伦比亚大学);Hebrew University of Jerusalem(耶路撒冷希伯来大学)
针对个性化联邦学习中低维客户端变化与高维更新释放的结构错位,提出一次性释放私有上下文并限制适配于系数空间,结合变长量化实现高斯机制,在MNIST和CIFAR-10上匹配或超越全模型私有适配,并大幅降低通信成本。
2026-09-15 cs.LG
Graph Federated Learning for Personalized Privacy Recommendation
Yangzhou University(扬州大学);Jilin University(吉林大学);City University of Hong Kong(香港城市大学);Nanjing University(南京大学)
本文提出GFed-PP框架,通过构建用户-项目交互图和用户关系图,利用公开用户数据并保护私有用户隐私,在适应不同隐私需求的同时显著提升了联邦推荐系统的准确性。
2025-08-08 cs.AI cs.LG
Personalized Federated Hierarchical Gaussian Processes for Privacy-Preserving Modeling of Heterogeneous Distributed Systems
Arizona State University(亚利桑那州立大学)
提出个性化联邦分层高斯过程,通过共享全局组件与局部残差分解实现异构客户端隐私保护的概率建模,在故障分类和空气质量建模中取得高效结果。
2026-09-18 cs.LG
Personalized Privacy-Preserving Framework for Cross-Silo Federated Learning
VinUniversity(VinUniversity(文大学))
联邦学习(FL)最近作为一种有前途的去中心化深度学习(DL)框架而蓬勃发展,该框架使基于DL的方法能够在客户端之间进行协作训练,而无需共享私有数据。然而,在中心方主动和不诚实的情况下,个人客户的数据可能会被完美重构,导致敏感信息泄露的可能性很大。此外,FL还受到客户端之间的非独立同分布(non-IID)数据的影响,导致对本地客户端数据的推理性能下降。在本文中,我们提出了一个新的框架,即个性化的隐私保护联邦学习(PPPFL),集中在跨筒仓FL克服这些挑战。具体来说,我们引入了模型不可知元学习(MAML)算法的稳定变体,以协同训练由差分私有生成对抗网络(DP-GANs)生成的客户端合成数据的全局初始化。在达到收敛之后,全局初始化将由客户端本地适配到其私有数据。通过大量的实验,我们实证表明,我们提出的框架在不同的数据集上优于多个FL基线,包括MNIST,Fashion-MNIST,CIFAR-10和CIFAR-100。
2023-02-22 cs.LG
Personalized Federated Hypernetworks for Privacy Preservation in Multi-Task Reinforcement Learning
University of California, Berkeley(加州大学伯克利分校)
多智能体强化学习目前专注于所有数据和训练都可以集中到一台机器上的实现。但是,如果本地代理被划分为多个任务,并且需要在每个任务之间保持数据私有,该怎么办?我们开发了个性化联邦超网络(PFH)的强化学习(RL)的第一个应用程序。然后,我们提出了一种新的应用PFH的Few-Shot转移,并证明了显着的初始增加学习。PFH从来没有被证明超过监督学习基准,所以我们将PFH应用到一个重要的领域:RL能源需求响应的价格设定。我们考虑一个一般的情况下,代理人被分割在多个微电网,其中能源消耗数据必须保持在每个微电网的私人。总之,我们的工作探索了个性化联邦学习和RL领域如何结合在一起,使学习在多个任务中有效,同时保持数据安全。
2022-10-19 cs.AI cs.LG cs.SY
Privacy-Preserving Generative Models: A Comprehensive Survey
De Montfort University(德蒙福特大学);University of Basel(巴塞尔大学)
本文通过分析100篇文献,系统综述了隐私保护生成模型,提出GANs和VAEs的隐私与效用指标新分类体系,并指出当前挑战与未来研究方向。
2025-02-05 cs.CR cs.LG
MyStyle: A Personalized Generative Prior
Google Research(谷歌研究院);Tel-Aviv University(特拉维夫大学)
我们介绍MyStyle,一个个性化的深度生成先验训练,用一个人的几个镜头。MyStyle允许重建,增强和编辑特定人的图像,以便输出忠实于人的关键面部特征。给定一个人的肖像图像的小参考集(~100),我们调整预训练的StyleGAN人脸生成器的权重,以在潜在空间中形成一个局部的,低维的,个性化的流形。我们发现,这个流形构成了一个个性化的区域,跨越潜在的代码与不同的肖像图像的个人。此外,我们证明了我们获得了个性化的生成先验,并提出了一种统一的方法,将其应用于各种不适定的图像增强问题,如修复和超分辨率,以及语义编辑。使用个性化的生成先验,我们获得了对输入图像表现出高保真度的输出,并且也忠实于参考集中个体的关键面部特征。我们证明了我们的方法与众多广泛认可的个人,我们有先验知识的预期结果的定性评价的合理使用的图像。我们评估我们的方法对少数镜头基线,并表明我们的个性化的先验,定量和定性,优于国家的最先进的替代品。
2022-10-06 cs.CV cs.GR cs.LG
Federated Generative Privacy
Artificial Intelligence Lab(人工智能实验室);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
在本文中,我们提出了FedGP,这是一个在联邦学习环境中保护隐私的数据发布框架。我们使用生成式对抗网络,其生成器组件由FedAvg算法训练,以绘制隐私保护的人工数据样本,并根据经验评估信息披露的风险。我们的实验表明,FedGP能够生成高质量的标记数据,成功地训练和验证监督模型。最后,我们证明了我们的方法显着降低了这种模型的模型反转攻击的脆弱性。
2019-10-18 cs.CR cs.DC cs.LG
GPFL: Simultaneously Learning Global and Personalized Feature Information for Personalized Federated Learning
Queen’s University Belfast(贝尔法斯特女王大学);Louisiana State University(路易斯安那州立大学);Shanghai Jiao Tong University(上海交通大学)
针对现有pFL方法仅提取全局或个性化特征信息的问题,提出GPFL方法,在每个客户端同时学习全局和个性化特征信息,在六个数据集上优于十种先进方法,准确率提升最高8.99%。
2023-10-14 cs.CR cs.DC cs.LG
A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
Australian Artificial Intelligence Institute, University of Technology Sydney(澳大利亚人工智能研究所,悉尼技术大学);College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);School of Computer Science and Technology, Beijing Jiaotong University(北京交通大学计算机科学与技术学院);Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University(香港理工大学数据科学与人工智能系)
本文综述了面向隐私保护推荐的个性化联邦基础模型,分析了联邦环境下有效的个性化技术,并讨论了基础模型在联邦架构中的适应性,以平衡泛化能力与用户特定需求。
2026-05-06 cs.AI cs.LG
DP$^2$-FedSAM: Enhancing Differentially Private Federated Learning Through Personalized Sharpness-Aware Minimization
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
本文提出DP$^2$-FedSAM,结合个性化部分模型共享与锐度感知最小化,在差分隐私联邦学习中减轻噪声与裁剪影响,提升模型效用,尤其在数据异构场景下改善隐私-效用权衡。
2024-09-20 cs.CR cs.DC cs.LG
Privacy in Metalearning and Multitask Learning: Modeling and Separations
Rice University(莱斯大学);Hariri Institute for Computing at Boston University(波士顿大学哈里里计算研究所);Boston University(波士顿大学);Northeastern University(东北大学);Simons Institute for the Theory of Computing(西蒙斯理论计算研究所);Khoury College of Computer Sciences, Northeastern University(东北大学库尔计算机科学学院);Google(谷歌)
本研究系统研究差分隐私下的个性化学习,构建形式框架分类体系,并证明私有多任务学习与私有元学习之间存在新颖分离。
2024-12-16 cs.CR cs.LG
MyDigiTwin: A Privacy-Preserving Framework for Personalized Cardiovascular Risk Prediction and Scenario Exploration
organization= Netherlands eScience Center , addressline= Matrix THREE, Science Park 402 , city= Amsterdam , postcode= 1098 XH , country= The Netherlands;organization= Department of Radiology \& Nuclear Medicine, Erasmus MC University Medical Center Rotterdam , addressline= Dr. Molewaterplein 40 , city= Rotterdam , postcode= 3015 GD , country= The Netherlands;organization= Institute of Cardiovascular Science, Faculty of Population Health Sciences, University College London , addressline= 62 Huntley St , city= London , postcode= WC1E 6DD , country= United Kingdom;organization= Department of Cardiology, Amsterdam Cardiovascular Science, Amsterdam University Medical Centers, University of Amsterdam , addressline= Meibergdreef 9 , city= Amsterdam , postcode= 1105 AZ , country= The Netherlands;organization= Department of Epidemiology, Erasmus MC University Medical Center Rotterdam , addressline= Dr. Molewaterplein 40 , city= Rotterdam , postcode= 3015 GD , country= The Netherlands;organization= Department of Cardiology, University Medical Center Utrecht , addressline= Heidelberglaan 100 , city= Utrecht , postcode= 3584 CX , country= The Netherlands
本文提出MyDigiTwin框架,结合数字孪生与联邦学习,在保护隐私的前提下实现个性化心血管风险预测与情景探索,并通过概念验证证明其可行性。
2025-01-21 cs.HC cs.LG
Generalized Linear Bandits with Local Differential Privacy
The Hong Kong University of Science and Technology(香港科技大学)
上下文强盗算法在个性化在线决策中是有用的。然而,许多应用程序,如个性化医疗和在线广告需要利用个人特定的信息进行有效的学习,而用户的数据应该保持私有的服务器由于隐私问题。这促使引入局部差分隐私(LDP),一个严格的隐私概念,上下文强盗。在本文中,我们设计了随机广义线性强盗LDP算法,以实现在非隐私设置相同的遗憾界。我们的主要思想是开发一个随机的基于梯度的估计和更新机制,以确保LDP。然后,我们利用随机梯度下降(SGD)的灵活性,其理论保证土匪问题很少探索,在处理广义线性土匪。我们还开发了一个估计器和更新机制的基础上,普通最小二乘(OLS)的线性土匪。最后,我们进行了仿真和真实世界的数据集的实验,以证明我们的算法在LDP约束下具有合理的小参数$(\varepsilon, δ)$,以确保强大的隐私保护的一贯高超的性能。
2021-06-07 cs.LG stat.ML
High-dimensional Bayesian Optimization of Personalized Cardiac Model Parameters via an Embedded Generative Model
Rochester Institute of Technology(罗切斯特理工学院);Dalhousie University(达尔豪斯大学)
以模型参数的形式估计患者特异性组织特性对于个性化生理模型是重要的。然而,这些组织特性在整个基础解剖模型中是空间变化的,在有限的测量数据的存在下提出了高维(HD)优化的重大挑战。减少参数空间的维度的常见解决方案是显式地将解剖网格划分为固定的少量段或多尺度层次结构。这种基于解剖结构的参数空间缩减对参数估计提出了基本瓶颈,导致分辨率太低而不能反映组织异质性的解决方案,或者维度太高而不能在可行的计算内可靠地估计的解决方案。在本文中,我们提出了一个新的概念,嵌入一个生成变分自动编码器(VAE)到目标函数的贝叶斯优化,提供了一个隐式低维(LD)搜索空间,代表生成代码的HD空间变化的组织属性。此外,关于生成代码的VAE编码的知识被进一步用于指导搜索空间的探索。所提出的方法适用于估计组织兴奋性的心脏电生理模型。合成和真实数据实验表明,它能够提高参数估计的精度,效率提高10倍以上。
2020-05-15 cs.LG math.OC stat.ML
Generative Adversarial Privacy
Arizona State University(亚利桑那州立大学);Stanford University(斯坦福大学)
我们提出了一个数据驱动的框架,称为生成对抗隐私(GAP)。受生成对抗网络(GANs)最新进展的启发,GAP允许数据持有者直接从数据中学习私有化机制。在GAP下,找到最佳的隐私机制制定为私有化者和对手之间的约束极大极小博弈。我们表明,适当选择的对抗性损失函数,GAP提供隐私保证,对强大的信息理论的对手。我们还评估了GAP的性能上的GENKI人脸数据库。
2019-06-26 cs.CR cs.GT cs.IT
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST(香港科技大学计算机科学与工程系)
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题,提出用户同意的联邦推荐系统UC-FedRec,通过最小化准确度代价灵活满足隐私需求,实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
Personalized Federated Learning via Stacking
提出一种基于堆叠泛化的个性化联邦学习方法,客户端交换隐私保护模型作为基础模型训练元模型,适用于多种数据划分和隐私技术,并支持贡献评估。
2024-04-21 cs.CR cs.DC cs.LG
Personalized Federated Training of Diffusion Models with Privacy Guarantees
TTIC(芝加哥丰田技术学院);UNC Chapel Hill(北卡罗来纳大学教堂山分校);NJIT(新泽西理工学院)
针对敏感领域数据稀缺与隐私限制问题,提出一种基于个性化机制和前向扩散固有噪声的联邦学习框架,在去中心化私有数据上训练扩散模型,在保证差分隐私的同时提升了样本质量与下游公平性。
2025-04-01 cs.AI cs.CV cs.LG