Jan, 2015

纯差分隐私与近似差分隐私之间

PDF
TL;DR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。
发现论文，激发创造
  • 指纹码和近似差分隐私的代价

    该研究提供了基于不同隐私数据发布的样本复杂度下限的新方法，并给出了一些新的评估策略。

    Nov, 2013

  • 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

  • 差分隐私的几何学

    本文研究了差分隐私机制在 $d$ 个非适应性线性查询的噪音复杂度，使用几何参数给出了噪音复杂度的上下界，并根据凸几何学中的超平面猜想证明了任意线性查询的结果，提高了先前的结果，揭示了差分隐私概念与近似差分隐私概念之间的分离。

    Jul, 2009

  • 更好、更简单的差分隐私统计估计下界

    通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

    Oct, 2023

  • 学习高斯及更高模型的私有与多项式时间算法

    提出了一个将差分隐私统计估计转化为无差分隐私的框架，并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法，该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配，并且还证明了相似的结果，其中鲁棒学习高斯分布的样本复杂度更低。

    Nov, 2021

  • 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

  • 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

  • 最大信息量、差分隐私和后选假设检验

    本文介绍了如何使用大致差分隐私的泛化特性来进行自适应假设检验，并给出统计上有效的 p 值校正方法。研究表明，当算法满足 $(\epsilon, \delta)$- 差分隐私且输入来自于一个乘积分布时，它们具备有界的大致最大信息，并且这种连结只适用于乘积分布输入，而不适用于离散分布输入。

    Apr, 2016

  • 分布式差分隐私与计数不同元素

    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