【五期李伟平】CCF-A（S&P'20）The Value of Collaboration in Convex Machine Learning with Differential Privacy

Nan W., et al. “The Value of Collaboration in Convex Machine Learning with Differential Privacy.” 2020 IEEE Symposium on Security and Privacy. 304-317.

  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。

  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