利用差分隐私技术研究用于电信客户流失预测的隐私保护联邦学习方法

《Information》：Investigating Privacy-Preserving Federated Learning for Telecom Customer Churn Prediction Using Differential Privacy

　　

摘要

在电信行业预测客户流失对于保留订户、维护品牌声誉以及领先于竞争对手至关重要。失去客户不仅会减少收入，还可能在一个竞争激烈的市场中削弱长期的市场地位。虽然机器学习已被广泛用于应对这一挑战，但大多数传统方法依赖于集中存储客户数据。这引发了关于用户隐私、数据所有权以及遵守GDPR等严格法规的重大担忧。这些挑战使得企业在充分利用客户数据的同时保护敏感信息变得困难。在本文中，我们研究了一种保护隐私的流失预测方法，该方法将联邦学习（FL）与差分隐私（DP）相结合。该框架不允许将所有客户数据收集到一个单一的存储库中，而是允许多个客户端在联合训练过程中协作训练深度神经网络，同时保持数据的本地性。为了进一步增强隐私保护，我们采用了差分私有随机梯度下降（DP-SGD）并在模型更新中添加控制噪声，从而降低推断个别数据贡献的可能性。本研究系统地评估了不同的隐私水平（通过ε和δ表示）在模拟的非独立同分布（non-IID）客户端分布下对模型性能的影响。实验使用多种评估指标分析了隐私与效用之间的权衡，并将结果与集中式和非私有联邦学习方法进行了比较。研究结果表明，所研究的框架在各种隐私预算下均保持了具有竞争力的预测性能，同时清楚地展示了隐私与效用之间的权衡。过于严格的隐私预算会导致性能显著下降，尤其是在数据集较小且不平衡的情况下；而适度的隐私预算则在有限的性能下降下仍能保持具有竞争力的预测性能。这项研究突显了保护隐私的联邦学习在需要保护敏感数据的实际分布式分析应用中的潜力。