近日，苹果通过机器学习期刊分享了最新的白皮书。文章内容关于“大规模隐私学习”（Learning with Privacy at Scale），并介绍了苹果正在使用差异化隐私的具体算法，通过一些特定用例（如发现流行的表情符号）来改进产品功能。

苹果的机器学习期刊，会是不是推出机器学习的文章。如Siri的演变，“嘿Siri”如何工作，面部检测等等。本篇是有关访问用户数据以改善产品平衡的细节，同时利用本地差异隐私保护用户信息。

苹果指出，它的系统是唯一的，透明的，没有数据记录或未在用户批准之前发送。

该文件详细介绍了苹果公司正在使用的系统架构以及其设计的算法，包括“Private Count Mean Sketch”，“Private Hadamard Count Mean Sketch”和“Private Sequence Fragment Puzzle”。

至于用例，苹果指出，它能够改善基于位置的预测表情符号QuickType建议。

鉴于表情符号在我们的用户群中的流行，我们要确定哪些特定的表情符号是我们客户最常使用的，以及这些字符的相对分布。为此，我们部署我们的算法来理解在键盘语言环境中使用的emojis的分布。对于这个用例，我们将CMS的参数设置为mm = 1024，kk = 65,536，εε= 4，字典大小为2600 emojis。

数据显示键盘区域设置的许多差异。在图中，我们观察了两个语言环境的快照：英文和法文。使用这些数据，我们可以改进我们的语言环境预测表情符号的QuickType。其他用例包括“识别Safari中的高能量和内存使用”和“发现新词”。

图1.系统概述

图2.私有化阶段

图3.具有私有化记录的示例报告

图4. Hadamard Count Mean Sketch的客户端算法

图5. Hadamard Count Mean Sketch的服务器端算法

图6.不同键盘语言环境中的Emojis。

论文地址：

https://machinelearning.apple.com/docs/learning-with-privacy-at-scale/appledifferentialprivacysystem.pdf

喜欢的朋友要记得转、赞、评！