作者：罗易凡
（图片来自网络）
研究背景
在机器学习（ML）驱动的数据分析中，获取足够的训练数据往往是一大挑战，尤其是在数据隐私保护日益重要的今天。传统的数据交易方式需要集中化地收集数据，但此方式可能导致隐私泄露。而在现有的模型市场中，数据拥有者通常需要信任数据交易方（即“中介”）会保护他们的隐私数据。然而，这种信任假设在现实中难以实现，因为包括多家大型公司在内的许多机构都曾发生过数据泄露事件。本研究提出了一种基于联邦学习的模型市场——FL-Market，它结合本地差分隐私（Local Differential Privacy, LDP）技术，允许数据拥有者通过扰动后上传的数据梯度参与交易，同时保护其隐私。FL-Market为在数据隐私保护下的模型交易开辟了新的途径。
图1：模型交易与隐私保护
研究方法
图2：FL-Market的拍卖与聚合机制示意。
图3：FL-Market具体框架。
研究结果
通过实验验证，FL-Market的拍卖与聚合机制展现了显著的优越性。在模拟的联邦学习场景中，DM-RegretNet相比传统方法更能精确地分配隐私预算，且在模型的准确性方面表现更好。OptAggr在各类隐私偏好场景中都能有效优化模型的全局梯度，使模型购买方获得了更高质量的模型，进而提升了数据市场的整体实用性。
在实际应用中，DM-RegretNet显著提高了数据拥有者对数据隐私的控制能力，确保了数据共享中的激励兼容性和个性化保护。在单一市场环境下，OptAggr机制能实现最优数据聚合；在面对大型竞争对手时，数据拥有者可以选择适度增加数据共享，确保模型性能的同时保证了自身的隐私。
图4：DM-RegretNet在模拟实验中的突出表现。
未来展望
FL-Market在数据隐私和模型交易之间建立了新的平衡，为ML领域的数据获取带来了突破性的创新。未来的研究方向包括在特定应用场景下验证FL-Market的可行性，以及在更复杂的博弈环境中优化隐私保护机制。FL-Market将为隐私友好型的数据共享和模型交易提供新的解决方案。
参考文献
[1] Zheng S, Cao Y, Yoshikawa M, et al. FL-Market: Trading Private Models in Federated Learning. IEEE BigData 2022.
写在最后
我们的文章可以转载了呢~欢迎转载与转发呦
想了解更多前沿科技与资讯？
点击上方入口关注我们！
欢迎点击右上方分享到朋友圈
香港中文大学（深圳）
网络通信与经济实验室
微信号 : ncel_cuhk
