AAAIDec, 2015

贝叶斯推断的差分隐私

PDF
TL;DR该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方，共提出了四种不同的算法，包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制，一种基于后验采样的机制以及一种最大后验概率机制，并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。
发现论文，激发创造
  • 通过后验采样进行贝叶斯差分隐私

    本文提出了一种新的用于保护数据隐私的方法，即使用贝叶斯推理本身提供对数据的私密访问，并利用后验采样来实现差分隐私和数据效用的平衡。同时，我们提出一般的差分隐私度量方法，使得适用范围更广泛，能够处理非 i.i.d 数据和非表格形式的数据集，并在套用路易斯界限法时得到更好的下界。

    Jun, 2013

  • 隐私保护贝叶斯数据分析的理论与实践

    使用 Laplace 机制对数据进行隐私保护的方法效率与非私有后验推断相同，可用于敏感军事记录的时间序列分析，并具有隐私预算的有效利用优势。

    Mar, 2016

  • 具有差分隐私的数据分析

    本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

    Jul, 2023

  • 机器学习的贝叶斯差分隐私

    提出了基于贝叶斯的差分隐私方法，并实验表明基于样本数据分布的隐私保护方法比传统方法更实用有效。

    Jan, 2019

  • 非共轭模型的差分隐私变分推断

    本文提出一种差分隐私变分推理方法，该方法基于双重随机变分推理，并通过剪辑和扰动梯度来加入差分隐私，并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别，是以前基于抽样方法的替代品的明显改进。

    Oct, 2016

  • 贝叶斯差分隐私下的联邦学习

    本文提出采用贝叶斯差分隐私来增强联邦学习的形式化隐私保证，提出适用于联邦学习的贝叶斯隐私计算方法，并在图像分类任务上表现出明显的优势。

    Nov, 2019

  • 差分隐私贝叶斯检验

    提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

    Jan, 2024

  • 免费隐私：后验采样和随机梯度 Monte Carlo

    本文提出了一种使用差分隐私技术保证贝叶斯学习个体隐私安全的算法，采样自后验分布得出的估计符合要求，同时随机梯度下降方法也可以达到类似效果，是较好的解决贝叶斯学习隐私问题的方法。

    Feb, 2015

  • 通过 $β$- 分散度进行差分隐私统计推断的一般后验抽样

    本文提出了 $eta$D-Bayes，一种从广义后验分布中采样的私有估计方法，旨在最小化模型与生成数据过程之间的 $eta$- 差异，并且为同等的隐私保护提供更精确的推断估计；通过对神经网络等复杂分类器和连续回归模型进行后验采样，同时也实现了相应的差分隐私估计。

    Jul, 2023

  • 差分隐私贝叶斯编程

    PrivInfer 是一个用于编写和验证差分隐私贝叶斯机器学习算法的表达能力强大的框架，它使用的是一种富有表现力的概率编程语言，并使用关系精化类型系统，建立在分布度量基础之上，从而建立了程序的差分隐私性。

    May, 2016