分布偏斜下的多任务差分隐私

针对用户级差分隐私下的多任务学习，研究者提出基于经验损失自适应重加权的通用算法，以应对任务间分布偏斜。该工作系统分析用户隐私预算在任务间的最优分配，在任务分布偏斜、部分任务数据稀少时可量化地改进超额经验风险。在具有小任务长尾的推荐问题上，该方法显著提升效用，在两个标准基准上达到 SOTA。