Publikacja: https://arxiv.org/pdf/2102.06062.pdf Supplementary material: https://openreview.net/attachment?id=RYcgfqmAOHh&name=supplementary_material
Rozwiązywany problem to uczenie modelu z Label Differential Privacy
Pomysł opiera się na Randomized Response, z tym że wprowadzona jest modyfikacja, dzięki której nie samplujemy jednostajnie tylko z wykorzystaniem pewnego priora.
Uwaga: rozwiązanie wymaga wykonania pewnej operacji na labelach, więc labele muszą być w pewnym momencie znane. We Fledge nie znamy ich na żadnym etapie.
Uwaga: piszą, że w zrandomizowany sposób ustalają label, ale używają go przez cały proces uczenia, a nie losują label np. co epokę; pozwalałoby to użyć na Extreme Gradient Boosting.
W supplementary material podają, że używają mixup oraz podają linki do innych artykułów z dziedziny Learning with Noisy Labels.