Locally Private Nonparametric Contextual Multi-armed Bandits with Transfer Learning
局部隐私下非参数情境多臂老虎机的迁移学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心为局部隐私下的在线决策与迁移学习，未明确对应所列计量细分的估计对象。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
局部隐私下非参数情境多臂老虎机的迁移学习
- 研究问题
- 在敏感数据的序贯决策中，如何满足局部差分隐私并获得较低遗憾，以及如何利用隐私预算和协变量分布不同的辅助数据改善学习？
- 方法与思路
- 作者设计兼容局部隐私的置信界与决策算法，再在协变量偏移框架下，通过启动方案、重加权估计和置信界整合异质辅助数据。
- 材料陈述的贡献
- 摘要称，基础算法获得接近最优的遗憾保证及相应下界支持，迁移算法则通过匹配下界确立极小极大最优性，并提供实验验证。
- 阅读关注点
- 应核对遗憾定义、奖励函数与协变量分布条件，异质隐私预算如何进入置信界，以及辅助数据适用条件和上下界匹配的范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体遗憾速率、隐私机制与迁移条件未说明，不能推断辅助数据总能改善表现或直接对应因果识别。
原文摘要
Motivated by privacy concerns in sequential decision-making on sensitive data, we address the challenging problem of nonparametric contextual multi-armed bandits (MAB) under local differential privacy (LDP). Via a novelly designed LDP-compatible confidence bound, we propose an algorithm that achieves near-optimal regret performance, whose optimality is further supported by a first-seen minimax lower bound. We further consider the case of private transfer learning where auxiliary datasets are available, subject also to (heterogeneous) LDP constraints. Under the widely-used covariate shift framework, we propose a jump-start scheme, accompanied with a reweighted LDP-compatible estimator and confidence bound, which effectively combine information from heterogeneous auxiliary data. The minimax optimality of the algorithm is further established by a matching lower bound. Comprehensive experiments on both synthetic and real-world datasets validate our theoretical results and underscore the effectiveness of the proposed methods.