Aug, 2012

功能机制：不同隐私下的回归分析

PDF
TL;DR本文提出了一种针对基于优化的分析任务的差分隐私方法，称为 Functional Mechanism。该方法通过扰动优化问题的目标函数而实现 epsilon-differential privacy，应用于线性回归和逻辑回归等最常用的回归模型，经理论和实验评估表明该方法高效且优于现有解决方案。
epsilon-differential privacyfunctional mechanismoptimization-based analyseslinear regressionlogistic regression
发现论文，激发创造
  • Bernstein 机制：差分隐私下的函数发布

    通过开发一个适用于 Oracle 访问目标函数评估和灵敏度的功能机制，利用迭代 Bernstein 算子进行多项式逼近和多项式系数扰动，在较弱的正则条件下建立了快速的依概率均匀逼近的实用程序速率，可用于解决函数发布的差分隐私问题，并提供了任何函数机制可实现的效用下限。

    Jul, 2015

  • 函数和函数数据的差分隐私

    利用高斯过程加噪点的方法，实现了对具有不同隐私级别的查询的差分隐私保护，可以应用于例如核密度估计，核支持向量机等在核希尔伯特空间中的函数。

    Mar, 2012

  • 重访差分隐私回归：从学习理论中得到的经验教训及其影响

    通过差分隐私和稳定学习理论的显式连接，提出了一种更好的隐私 / 实用性权衡方法，以便为所有凸型 Lipschitz 有界学习任务获得更好的权衡，并将其应用在医疗数据上，以获得更准确的模型。但改进后的隐私机制使得不同隐私机制更容易受到模型反演攻击的影响。

    Dec, 2015

  • 差分隐私：选择 Epsilon 的经济方法

    本文从实践角度讨论差分隐私，提出一个基于公式的简单模型来平衡隐私保护和结果准确性之间的权衡，并使用该模型来选择关键参数 epsilon。研究表明，在一些情况下，差分隐私研究可以比非私密研究更加准确。

    Feb, 2014

  • 使用函数机制的差分隐私对数 - 位置 - 尺度回归

    该研究介绍了在 LLS 回归模型中引入差分隐私的差分隐私对数位置尺度回归（DP-LLS）模型，并通过功能机制将差分隐私融入 LLS 回归。研究证明了所提出的 DP-LLS 模型满足 epsilon - 差分隐私，并通过模拟和案例研究评估了该模型的性能，结果表明预测因素维度、训练样本数量和隐私预算是影响该模型性能的三个关键因素，同时也需充分的训练数据集以确保模型性能和满意的隐私保护水平。

    Apr, 2024

  • 差分隐私简单线性回归

    通过使用差分隐私，我们在小型数据集的情况下训练针对经济研究的简单线性回归的算法，在不牺牲数据隐私的情况下获得较高的性能。

    Jul, 2020

  • 差分隐私经验风险最小化

    本研究提出了一个隐私保护的机器学习算法，基于差分隐私定义，首先将 Dwork 等人的输出扰动思想应用于 ERM 分类，然后通过扰动目标函数来设计一个新的 objective perturbation 方法，对于满足某些凸性和可微性条件的损失函数和正则化方法，我们证明了我们的算法可以保护隐私，并提供线性和非线性核的泛化界，同时我们提供了一种隐私保护的技术来调整通用机器学习算法的参数，从而为训练过程提供了端到端的隐私保证。实验结果表明，与输出扰动方法相比，我们的 objective perturbation 方法在处理隐私保护和学习性能间的固有权衡方面更加卓越。

    Dec, 2009

  • 差分隐私的统计框架

    研究统计隐私的目标之一是构建一个数据发布机制，它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私，研究满足差分隐私要求的数据发布机制，并比较它们的收敛速度。研究表明，指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。

    Nov, 2008

  • 私有 ERM 中隐私保护的实用性差分隐私：理解 Epsilon 对实用性的影响

    通过理论探索差分隐私强度参数 epsilon 对学习模型效用的影响，建立并提出了一种可以在任意 epsilon 值下对效用进行估计的实用方法，该方法在实验结果表现出高精度估计和广泛适用性，同时能够在保障隐私的前提下提供较强的效用保证。

    Jun, 2022

  • 隐私成本：具有差分隐私的参数估计的最佳收敛速率

    探讨平衡标准误差和隐私保护之间的关系，提出了最小化极限风险下的差分隐私约束的算法，包括隐私迭代硬阈值追踪，以及在实际数据集中表现出的数值表现。

    Feb, 2019