线性查询以外的私有乘性权重
该研究通过组合多项式权重方法和指数机制,实现不同隐私等级和计数查询下的差分隐私数据发布,并在实际数据集上进行了实证研究,结果表明该方法在误差和运行时间方面都优于以往的方法。
Dec, 2010
本文为凸经验风险最小化问题提供了一系列不同的差分隐私算法,并同时给出了相应的下界,且不同的隐私模型需要使用完全不同的算法,这些算法在多项式时间内运行,并且适用于很多简单光滑的函数家族。
May, 2014
将差分隐私应用于加权经验风险最小化,提出了第一个具备严格理论证明的差分隐私加权经验风险最小化算法,并评估了在真实临床试验中的可行性和性能。
Jul, 2023
本文研究带有重尾数据的随机凸优化问题,并在差分隐私(DP)约束条件下进行研究。该文提出了一种新的算法用于估计重尾数据的均值,并针对凸损失函数提供了改进的上界。同时,证明了私密随机凸优化的几乎匹配下界,这表明了纯 DP 和集中 DP 之间的新分离。
Jun, 2021
本文研究了一种简单的乘法数据库转换方法,它可以利用随机线性或仿射变换对数据进行压缩,从而显著降低数据记录的数量,并保持原始输入变量的数量。通过差分隐私(Dwork 06)概念,本文提供了一个分析框架,旨在表明,尽管实现差分隐私保证存在一般的困难,但可以公开用于一些常见的统计学习应用的合成数据。这包括针对高维稀疏回归(Zhou et al. 07)、主成分分析(PCA)和基于初始数据协方差的其他统计测量(Liu et al. 06)
Jan, 2009
本文考虑了在对候选项稳定性更弱的情况下,即评分函数是差分隐私的情况下的选择问题。我们提供了算法,在隐私、效用和计算效率等三个方面都是最优的。同时,我们还开发了在线版本和基于稀疏向量技术的通用性算法。这些算法在差分隐私机器学习中的超参数选择以及自适应数据分析中都有更好的表现。
Nov, 2018
对于隐私敏感的卖家数据,我们研究了在其上执行逻辑回归的问题。通过向卖家提供激励性的支付,目标是设计一个机制,可优化测试损失、卖家隐私和支付的加权组合,即在多个感兴趣的目标之间找到平衡。我们通过结合博弈论、统计学习理论和差分隐私的思想来解决该问题。买家的目标函数可以是高度非凸的。但是,我们证明,在问题参数的某些条件下,可以通过使用变量的变换使问题变为凸问题。当卖家数量变大时,我们还提供了描述买家的测试误差和支付的渐近结果。最后,我们通过将这些思想应用于真实的医疗数据集来进行验证。
Sep, 2023