Corrupt Bandits for Preserving Local Privacy - Archive ouverte HAL
Communication Dans Un Congrès Année : 2018

Corrupt Bandits for Preserving Local Privacy

Résumé

We study a variant of the stochastic multi-armed bandit (MAB) problem in which the rewards are corrupted. In this framework, motivated by privacy preservation in online recommender systems, the goal is to maximize the sum of the (unobserved) rewards, based on the observation of transformation of these rewards through a stochastic corruption process with known parameters. We provide a lower bound on the expected regret of any bandit algorithm in this corrupted setting. We devise a frequentist algoritthm, KLUCB-CF, and a Bayesian algorithm, TS-CF and give upper bounds on their regret. We also provide the appropriate corruption parameters to guarantee a desired level of local privacy and analyze how this impacts the regret. Finally, we present some experimental results that confirm our analysis.

Domaines

Machine Learning [stat.ML]
Fichier principal
Vignette du fichier
Gajane18.pdf (629.02 Ko) Télécharger le fichier
CompareDPEps1Scenario2.pdf (14.92 Ko) Télécharger le fichier
CompareDPEps1Scenario3.pdf (15.02 Ko) Télécharger le fichier
CompareDPEps1Scenario4.pdf (14.88 Ko) Télécharger le fichier
CompareDPEps1Scenario5.pdf (15 Ko) Télécharger le fichier
CompareDPEps1Scenario6.pdf (15.08 Ko) Télécharger le fichier
DPFigureScenario2.pdf (14.33 Ko) Télécharger le fichier
DPFigureScenario3.pdf (14.32 Ko) Télécharger le fichier
DPFigureScenario4.pdf (14.33 Ko) Télécharger le fichier
DPFigureScenario5.pdf (14.91 Ko) Télécharger le fichier
DPFigureScenario6.pdf (14.74 Ko) Télécharger le fichier
EasyLink.pdf (20.56 Ko) Télécharger le fichier
HardLink.pdf (15.6 Ko) Télécharger le fichier
KL-indices.pdf (21.06 Ko) Télécharger le fichier
WrapperFigureScenario2.pdf (21.36 Ko) Télécharger le fichier
WrapperFigureScenario3.pdf (20.23 Ko) Télécharger le fichier
WrapperFigureScenario4.pdf (17.6 Ko) Télécharger le fichier
WrapperFigureScenario5.pdf (17.59 Ko) Télécharger le fichier
WrapperFigureScenario6.pdf (17.62 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Emilie Kaufmann  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-01757297

Soumis le : mardi 3 avril 2018-15:57:47

Dernière modification le : mercredi 13 novembre 2024-16:28:08

Télécharger pour visualiser

Dates et versions

hal-01757297 , version 1 (03-04-2018)

Identifiants

  • HAL Id : hal-01757297 , version 1

Citer

Pratik Gajane, Tanguy Urvoy, Emilie Kaufmann. Corrupt Bandits for Preserving Local Privacy. ALT 2018 - Algorithmic Learning Theory, Apr 2018, Lanzarote, Spain. ⟨hal-01757297⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CNRS INRIA CRISTAL INRIA2 CRISTAL-SEQUEL UNIV-LILLE ANR
176 Consultations
267 Téléchargements

Partager

More