Feb, 2015

在精确和近似差分隐私下优化批线性查询

PDF
TL;DR本文提出了第一个用于回答批量线性查询的实用差分隐私技术，即低秩机制 (LRM)，它适用于确切和近似差分隐私定义，并提供对 LRM 的实用性保证，同时提供如何根据用户的实用预期设置隐私参数的指导。与差分隐私下的最新查询处理解决方案相比，这种方法在真实数据上的大规模实验中表现出了更高的准确性。
differential privacyquery processingprivacy guaranteesbatch linear querieslow-rank mechanism
发现论文，激发创造
  • 低秩机制：在差分隐私下优化批量查询

    本文提出了一种称为低秩机制（LRM）的新型隐私保护技术，通过对工作量矩阵进行低秩逼近来回答批量查询，可以实现高精度的处理结果，同时保证数据隐私。与现有技术相比，LRM 在实际中具有较高的精度。

    Aug, 2012

  • 线性查询处理的凸优化在近似差分隐私下的应用

    通过解决凸优化问题，利用 Newton 方法能够找到基于（Ε，δ）差分隐私下的合适策略，以计算数据的相关聚合，从而提高结果准确度。

    Feb, 2016

  • 优化差分隐私下的直方图查询

    该研究提出了一种基于计数查询的线性组合方法，通过最优策略支持一组相关查询的答案，并对该策略的误差进行几何特征化并提出了优化方法，以应用于不同数据分析任务中的隐私保护。

    Dec, 2009

  • 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

  • 一种适应性机制，用于差分隐私下的准确查询回答

    提出了一种自适应机制来回答计数查询，结合了策略查询的差分隐私保证以实现误差降低，有效提高了查询效用。

    Feb, 2012

  • 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

  • 隐私感知的线性规划随机量化

    该研究提出一种无偏差且具有差分隐私的量化机制，通过线性优化方法可以高效地找到最佳机制，实验证明该机制与基准方法相比可以获得更好的准确性和隐私权衡。

    Jun, 2024

  • 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

  • 基于分布鲁棒优化的差分隐私

    本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

    Apr, 2023

  • 优先考虑准确度：选择不泄露隐私的差分隐私阈值以满足准确度约束的 ERM

    本文提出了一种名为噪声约简框架的通用方法，能够应用于各种私有经验风险最小化 (ERM) 算法，使用它们来 “搜索” 隐私级别的空间，以找到在满足准确性约束下最强的隐私级别，并仅产生对搜索的隐私级别数量的对数开销。

    May, 2017