分布式私有 Heavy Hitters
提出了一种新的本地差分隐私算法,用于解决重要节点问题,实现了所有标准考虑参数的最优最坏误差,并展开了在局部模型中的组隐私和本地隐私,给出了相关的界限和保证。
Nov, 2017
通过分布式算法,本文提出了一种隐私保护的方法来发现用户生成数据流中的高频数据,并探讨了隐私和效用之间的平衡,实验证明方法不仅具有良好的效用而且达到了强隐私保障。
Feb, 2019
通过研究基于前缀树算法的实际启发式方法,我们的工作旨在改进差分隐私重要数据检测算法的性能。我们提出了一种自适应超参数调整算法,以改善算法的性能,并满足计算、通信和隐私约束。通过在 Reddit 数据集上进行广泛实验,我们探究了不同数据选择方案以及在多次算法运行中引入拒绝列表的影响,其中任务是学习最常见的单词。
Jul, 2023
本文研究在保障隐私和通讯限制下分布估计和重头分估计的问题,提出了使用局部差分隐私的样本最优方案,并表明 Hadamard 反应方案可以用于重头分估计。
May, 2019
本文探讨如何在差分隐私的前提下,采用洗牌模型的协议来估算直方图,实现样本复杂度的大幅降低并确保数据的安全性。同时发现当遵守纯差分隐私和单信息的随机器的条件时,洗牌模型的效果和局部模型相当。
Nov, 2019
本文介绍了中心模型、本地 DP 模型和洗牌 DP 模型,并提出了在洗牌 DP 模型下用于机器学习的两种基本聚合方法,其精度接近中心 DP 算法,而通信效率与不加隐私约束的通信需求基本匹配。
Jun, 2021
该研究旨在探讨在差分隐私的情况下,通过使用 moment-matching 方法,得出准确估计用户数量的各种协议,并提供了新型的支配协议,解决了多信息洗牌协议的开放性问题。我们的研究首次提供了全局敏感性与局部差分隐私中误差之间的第一个 ω(√n) 分离,并提供了一个简单的构造,用于回答关于两方差分隐私的开放性问题。
Sep, 2020
该论文提出了一种名为 Hadamard Response 的本地隐私保护方案,可在高隐私水平下使用,并在所有 ε 下具有最优的样本复杂度,通信不超过每个用户的 log k + 2 位,并且具有几乎线性的运行时间,该方案的编码和解码基于 Hadamard 矩阵,其统计性能依赖于编码理论方面的因素。
Feb, 2018
研究了关于敏感数据统计计算的可扩展、强健协议设计的问题,主要探讨了如何在分布式环境中设计差分隐私协议的最佳方式,并提出了一种介于本地模型和中央模型之间的混洗模型,通过为用户提供匿名信道来随机排列一组用户提供的消息,实现与中央模型相同的精度,同时避免了信任中央服务器和加密 MPc 的复杂性。
Aug, 2018