保护隐私的分布式贝叶斯优化，无需共享原始数据即可达到中心化效果。

Privacy-Aware Collaborative and Distributed Bayesian Optimization

• 通过元学习实现分布式协作，避免原始数据交换。
• 发现梯度共享会泄露客户端观测，越接近最优泄漏越严重。
• 引入差分隐私防御，平衡隐私与优化性能。

我们提出一种协同元学习框架，用于分布式贝叶斯优化，在不交换原始数据的前提下达到中心化性能。研究表明，梯度共享会泄露客户端观测信息，且随着搜索收敛、查询集中于最优区域，泄露程度加剧。我们评估了一种差分隐私防御机制，并刻画了其隐私-效用权衡关系。

原文摘要 · Abstract (English)

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.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。