In this paper, we study a distributed privacy-preserving learning problem in general social networks. Specifically, we consider a very general problem setting where the agents in a given multi-hop social network are required to make sequential decisions to choose among a set of options featured by unknown stochastic quality signals. Each agent is allowed to interact with its peers through multi-hop communications but with its privacy preserved. To serve the above goals, we propose a four-staged distributed social learning algorithm. In a nutshell, our algorithm proceeds iteratively, and in every round, each agent i) randomly perturbs its adoption for privacy-preserving purpose, ii) disseminates the perturbed adoption over the social network in a nearly uniform manner through random walking, iii) selects an option by referring to its peers' perturbed latest adoptions, and iv) decides whether or not to adopt the selected option according to its latest quality signal. By our solid theoretical analysis, we provide answers to two fundamental algorithmic questions about the performance of our four-staged algorithm: on one hand, we illustrate the convergence of our algorithm when there are a sufficient number of agents in the social network, each of which are with incomplete and perturbed knowledge as input; on the other hand, we reveal the quantitative trade-off between the privacy loss and the communication overhead towards the convergence. We also perform extensive simulations to validate our theoretical analysis and to verify the efficacy of our algorithm.

中文翻译：

---

一般社交网络中的分布式隐私保护学习动态

在本文中，我们研究了一般社交网络中的分布式隐私保护学习问题。具体来说，我们考虑一个非常普遍的问题设置，其中给定的多跳社交网络中的代理需要做出顺序决策，以在一组由未知随机质量信号表征的选项中进行选择。每个代理都可以通过多跳通信与其对等方进行交互，但保留其隐私。为了实现上述目标，我们提出了一个四阶段分布式社交学习算法。简而言之，我们的算法迭代进行，在每一轮中，每个代理 i) 出于隐私保护目的随机扰乱其采用，ii) 通过随机游走以几乎一致的方式在社交网络上传播扰动采用，iii) 选择通过参考其同行的一个选项 扰动最新采用，以及 iv) 根据其最新质量信号决定是否采用所选选项。通过我们扎实的理论分析，我们提供了关于我们的四阶段算法性能的两个基本算法问题的答案：一方面，我们说明了当社交网络中有足够数量的代理时我们算法的收敛性，每个代理以不完整和受干扰的知识作为输入；另一方面，我们揭示了隐私损失和收敛的通信开销之间的量化权衡。我们还进行了大量模拟以验证我们的理论分析并验证我们算法的有效性。通过我们扎实的理论分析，我们提供了关于我们的四阶段算法性能的两个基本算法问题的答案：一方面，我们说明了当社交网络中有足够数量的代理时我们算法的收敛性，每个代理以不完整和受干扰的知识作为输入；另一方面，我们揭示了隐私损失和收敛的通信开销之间的量化权衡。我们还进行了大量模拟以验证我们的理论分析并验证我们算法的有效性。通过我们扎实的理论分析，我们提供了关于我们的四阶段算法性能的两个基本算法问题的答案：一方面，我们说明了当社交网络中有足够数量的代理时我们算法的收敛性，每个代理以不完整和受干扰的知识作为输入；另一方面，我们揭示了隐私损失和收敛的通信开销之间的量化权衡。我们还进行了大量模拟以验证我们的理论分析并验证我们算法的有效性。我们说明了当社交网络中有足够数量的代理时我们算法的收敛性，每个代理都具有不完整和受干扰的知识作为输入；另一方面，我们揭示了隐私损失和收敛的通信开销之间的量化权衡。我们还进行了大量模拟以验证我们的理论分析并验证我们算法的有效性。我们说明了当社交网络中有足够数量的代理时我们算法的收敛性，每个代理都以不完整和扰动的知识作为输入；另一方面，我们揭示了隐私损失和收敛的通信开销之间的量化权衡。我们还进行了大量模拟以验证我们的理论分析并验证我们算法的有效性。