Jul, 2014

私有学习和加噪：纯差分隐私与近似差分隐私

PDF
TL;DR该研究通过将真正的差分隐私和近似（ε，Δ）- 差分隐私应用于优化问题中，研究比较了私有学习和消毒的样本复杂性，同时构建了用于高维中的点函数，阈值函数和轴对齐矩形的私有学习器以及标签私有学习，证明了 VC 维完全刻画了学习带标签隐私的样本复杂性。
private learningdifferential privacyoptimization problemssample complexitylabel-private learners
发现论文，激发创造
  • 拥有公共数据访问权限的私有学习限制

    讨论私人和公共学习示例的差异隐私问题，证明可通过公共样本数为 $d/\alpha$ 和私有标记样本数为 $d/\alpha^2$ 实现平均误差为 $\alpha$ 的 VC-dimension $d$ 假设类别的免疫性学习，提出与之相匹配的下界。

    Oct, 2019

  • 纯差分隐私与近似差分隐私之间

    该研究通过指定参数 delta 来构建一个全新的下界，从而优化（epsilon，delta）差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外，该研究还提出了纯粹和近似的差分隐私算法，用于回答任意统计查询，并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度，改善了对该问题的解决方法。

    Jan, 2015

  • 私密学习阈值：缩小指数差距

    本文探讨了在差分隐私约束下学习阈值函数的样本复杂度问题，并提出了一种新的算法来减少样本复杂度。该算法基于选择输入相关哈希函数和将数据库嵌入到大小对数减小的域中，从而在不泄露个体信息的情况下生成内部点。

    Nov, 2019

  • 基于公共数据的差分隐私学习的 Oracle 高效实现

    通过利用公共数据来提高私人学习算法的性能，本研究提出了第一种具有计算有效性的算法，以确保在满足与私人样本相关的差分隐私的同时，当私人数据分布足够接近公共数据时也能保证学习效果，并且在函数类可非私密学习时可进行私人学习的证明。

    Feb, 2024

  • 差分隐私的几何学：稀疏和近似情况

    通过使用关联的高斯噪声和线性回归步骤，我们基于差分隐私机制的多项式对数组进行了矩阵突触连接和遗传差异，从而在线性查询的上下文中研究了准确性和隐私之间的权衡。

    Dec, 2012

  • 阈值函数的差分隐私发布和学习

    该研究提出了不同 ially private 算法（DP 算法）在发布阈值函数的近似答案时的样本复杂度的新上限和下限结果，还展示了实现此任务在无限域 X 上是不可能的，并需要样本复杂度 n≥Ω（log * |X| ），同时对于使用 DP 合理地学习概念类与无隐私信息学习之间的差异也给出了首个下限结果。

    Apr, 2015

  • 大函数空间中的学习：基于隐私保护机制的支持向量机学习

    研究了隐私保护学习中可用性或风险与统计查询处理机制提供的差分隐私级别之间的权衡，提出了针对有限维特征映射和潜在无限维特征映射的两种有效机制，并利用算法稳定性证明了差分隐私，并使用正则化经验风险最小化的光滑性证明了机制的效用。

    Nov, 2009

  • 具有本地私有约束的在线分布式学习

    在线的条件分布估计问题，使用局部差分隐私处理无界标签集，最小化累积 KL 风险，同时解决假设选择问题。

    Feb, 2024

  • 用户隐私学习

    提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

    Feb, 2021

  • 私有学习器的样本复杂度表征

    本文给出了一个样本大小的组合特征，是私有概念类学习足够和必需的。我们介绍了概念类的概率表示概念，并证明了私有学习算法对于概念类 C 的样本复杂度意味着 RepDim（C）＝O (m)，并且存在一个样本复杂度 m = O（RepDim（C））的私有学习算法。

    Feb, 2014