隐私感知协作与分布式贝叶斯优化
Privacy-Aware Collaborative and Distributed Bayesian Optimization
首次发表
浏览论文内容
中文总结 AI 辅助
提出协作元学习框架用于分布式贝叶斯优化，无需原始数据交换。揭示梯度共享问题，评估差分隐私防御，刻画其隐私 - 效用权衡。
中文摘要 AI 辅助
我们提出了一种协作元学习框架，用于分布式贝叶斯优化，无需原始数据交换即可匹配集中式性能。我们表明梯度共享会泄露客户端观测值，随着搜索收敛且查询集中在最优值附近，泄露会加剧。我们评估了一种差分隐私防御，并刻画了其隐私 - 效用权衡。
英文摘要
We propose a collaborative meta-learning framework for distributed Bayesian optimization matching centralized performance without raw-data exchange. We show gradient sharing leaks client observations, with leakage worsening as the search converges and queries concentrate near the optimum. We evaluate a differentially private defense and characterize its privacy-utility trade-off.
发表机构
- School of Industrial Engineering and Management（工业工程与管理学院）
- Oklahoma State University, Stillwater, OK, USA（俄克拉荷马州立大学）
机构由 AI 辅助整理，请以论文原文为准。
