May, 2012

利用含噪度进行推断：差分隐私 β- 模型和合成图

PDF
TL;DR本文利用 $eta$-model of random graphs 建立隐私机制并研究了 MLE 存在条件问题，提出了一种私有的参数估计器并证明了其一致性和渐近正态分布特性，同时解决了通过隐私机制释放的数据如何有效地进行统计推断的基础问题。
发现论文，激发创造
  • 通过 $β$- 分散度进行差分隐私统计推断的一般后验抽样

    本文提出了 $eta$D-Bayes，一种从广义后验分布中采样的私有估计方法，旨在最小化模型与生成数据过程之间的 $eta$- 差异，并且为同等的隐私保护提供更精确的推断估计；通过对神经网络等复杂分类器和连续回归模型进行后验采样，同时也实现了相应的差分隐私估计。

    Jul, 2023

  • 给定度序列的随机超图 $\beta$ 模型

    该研究介绍了用于表示社交网络中代理间多路交互的随机超图的 beta 模型，并提供了两种算法以适应模型参数。

    Jul, 2014

  • 使用集合图模型差分隐私学习无向图模型

    研究如何使用 Laplace 机制以不确定的理论基础为代价，在一个期望极大化框架内，通过使用集体图模型的形式化方法对真实充分的统计数据进行推理，以解决学习离散的，无向的图模型的问题，以在合成数据和真实的人员流动数据案例研究中获得比竞争方法更好的模型。

    Jun, 2017

  • 揭示网络结构的机密性：节点私有图匀估计的改进率

    本文针对社交网络保护隐私问题，提出了新算法和不可能结果，并给出了适用于复杂网络模型的新算法，该算法比之前的算法要更精确。同时，本文还提出一种新的不同隐私算法的扩展引理，希望能够被广泛应用。

    Oct, 2018

  • 估计和理解指数随机图模型

    本文介绍了一种基于大偏差逼近的理论分析指数随机图模型的方法，并给出了这些模型中观察到的退化现象的严格证明。

    Feb, 2011

  • 贝叶斯推断的差分隐私

    该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方，共提出了四种不同的算法，包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制，一种基于后验采样的机制以及一种最大后验概率机制，并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。

    Dec, 2015

  • 指数族信息的差分隐私贝叶斯推断

    该研究的主要内容是关于私人推断的方法，该方法为指数族的私人贝叶斯推断提供了第一个解决方案并且能够充分考虑隐私机制引入的噪声，从而提供正确校准的后验置信度。

    Sep, 2018

  • 稀疏图的私有图汇估计

    本文提出了一种基于节点差分隐私的非参数块模型逼近算法，可以保护个体成员隐私信息而又能在保证正确性的前提下对高维稀疏网络的多路径割进行估算，并给出了误差界限。

    Jun, 2015

  • 图上的最大熵分布

    研究了给定预期度序列的加权图上最大熵分布。使用指数族分布的一般理论，导出了顶点参数的最大似然估计量 (MLE) 的存在和唯一性，同时证明了单个样本的 MLE 在大图极限下的一致性，以及推出了加权图的 Erdos-Gallai 准则和顶点势的独立边权。

    Jan, 2013

  • 几乎线性时间的差分隐私合成图释放

    给定输入为具有 n 个顶点 m 条边的图 G，本论文提出了第一个时间复杂度为 O (m)、空间复杂度为 O (m) 的差分隐私算法，用于输出近似于 G 的所有切割和谱的顶点数为 n、边数为 O (m) 的合成图，同时实现了与非隐私设置相匹配的时间和空间复杂性以及先前工作在更实际的稀疏区域内达到相同（或更好）的效用，并且该算法能够扩展到私密图分析和持续观察下。

    Jun, 2024