Compromis entre Confidentialité et Utilité dans la Prise de Décision Séquentielle dans l'incertain

Privacy-Utility Trade-offs in Sequential Decision-Making under Uncertainty

• Auteur / Autrice : Achraf Azize
• Direction : Philippe Preux, Debabrota Basu
• Type : Projet de thèse
• Discipline(s) : Informatique et applications
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : INRIA - Institut national de recherche en informatique et en automatique Lille Nord Europe
• Partenaire(s) de recherche : Equipe de recherche : INRIA-CRIStAL

Mots clés

Mots clés libres

Apprentissage automatique

Confidentialité Différentielle

Apprentissage par Renforcement

Bandit à plusieurs bra

Inférence d'appartenance

Machine Learning

Differential Privacy

Reinforcement Learning

Multi Armed Bandits

Membership Inference

Résumé

Le succès de l'apprentissage automatique dépend de la disponibilité d'une grande quantité de données. L'utilisation de cette énorme quantité de données suscite des inquiétudes quant à la confidentialité de ces données. Cela a conduit à des réglementations officielles comme le GDPR, et à des développements scientifiques comme la confidentialité différentielle. Bien que la confidentialité différentielle soit bien étudiée dans le cadre hors ligne, elle n'est pas encore complètement comprise pour l'apprentissage en ligne et les problèmes de prise de décision. Notre objectif est d'explorer et de comprendre la confidentialité différentielle dans l'apprentissage et la prise de décision en ligne, ce qui nous amène à l'apprentissage par renforcement. L'objectif de la thèse est de contribuer à une nouvelle théorie et à de nouveaux algorithmes qui clarifient la compréhension fondamentale de la fuite d'information dans l'apprentissage par renforcement et comment concevoir des algorithmes d'apprentissage par renforcement optimaux et différentiellement privés.

The celebrated success of machine learning depends on the availability of a large amount of data. The use of this enormous amount of data invokes concerns regarding data privacy. This has led to official regulations like GDPR, and scientific developments like differential privacy. Though differential privacy is well-studied in the offline setting, it is still not completely understood for online learning and decision-making problems. We aim to explore and understand differential privacy in online learning and decision-making, which brings us to reinforcement learning. The goal of the PhD thesis is to contribute new theory and algorithms that clarifies the fundamental understanding of information leakage from reinforcement learning algorithms and how to design optimal differentially private reinforcement learning algorithms.