A Game-Theoretic Analysis of Auditing Differentially Private Algorithms with Epistemically Disparate Herd

隐私保护的人工智能算法被广泛应用于各个领域，但缺乏透明度可能会带来问责问题。虽然审计算法可以解决这个问题，但基于机器的审计方法往往成本高、耗时长。另一方面，群体审计通过利用集体智慧提供了另一种解决方案。然而，审计人员之间的认知差异可能会影响审计绩效，因为他们的专业水平和知识获取渠道不同。有效的群体审计将为算法开发者建立可信的问责威胁，激励他们遵守他们的声明。在本研究中，我们的目标是开发一个系统性的框架，使用Stackelberg博弈方法来研究群体审计对算法开发者的影响。审计人员的最优策略强调易于获取相关信息的重要性，因为这增加了审计人员对审计过程的信心。同样，开发者的最优选择表明当审计人员获取知识的成本较低时，群体审计是可行的。通过增强透明度和问责制，群体审计有助于负责任地开发隐私保护算法。

开展群体审计对隐私保护算法开发者的影响是什么？

使用Stackelberg博弈模型开发了一个系统框架来研究群体审计对算法开发者的影响，强调易于获取相关信息的重要性，并建议降低审计成本以鼓励算法开发者参与群体审计。

论文提出了一个新的解决方案，即使用群体智慧进行审计，以提高透明度和问责制。实验设计使用Stackelberg博弈模型来研究群体审计对算法开发者的影响。

最近的相关研究包括隐私保护算法的其他审计方法，如机器审计，以及群体智慧的应用于其他领域的研究。