Apr, 2016

最大信息量、差分隐私和后选假设检验

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 差分隐私统计估计的收敛速率

    本研究探讨了差分隐私的统计估计问题，并且提出了差分隐私比较准确的估计方法，其中加入了随机噪声以提高数据的隐私保护性，同时也介绍了Gross Error Sensitivity，将其与差分隐私紧密联系。

    Jun, 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

  • 基于稳定中位数的自适应估计器泛化

    本文主要介绍了一种基于近似中位数算法的算法来估算统计数据集的普适性，该算法满足差分隐私的强稳定性保证，解决了统计数据集在自适应问题上的泛化保证的新方法。

    Jun, 2017

  • 离散分布身份和接近性的差分隐私测试

    该研究提供了关于差分隐私下k个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

    Jul, 2017

  • 简单假设的最佳私有测试结构

    研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布P和分布Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。

    Nov, 2018

  • 高斯差分隐私

    本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。

    May, 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

  • 高斯噪声选择机制的隐私性

    使用高斯噪音在测量上报延时过程中的分析显示，在对底层查询进行了有界假设的前提下，对于Report Noisy Max可以提供纯先验差分隐私界限，而对于Above Threshold可以提供纯后验差分隐私界限，并且所得到的界限是紧的且取决于可使用标准方法进行数值评估的闭合表达式。

    Feb, 2024

  • 从统计学角度看差分隐私：假设检验、表征与布莱克韦尔定理

    本研究解决了差分隐私作为一种统计概念的理解和应用的不足，提出了通过假设检验的视角重新定义差分隐私的必要性。文章引入了$f$-差分隐私的概念，并通过表征定理扩展了现有的差分隐私定义，提供了一个统一的框架用于分析数据分析和机器学习中的隐私界限。研究发现，这种框架在私有深度学习和其他应用中显示出相较于现有方法的显著优势。

    Sep, 2024

  • 局部差分隐私下的最小最大最优两样本检验

    本研究解决了在局部差分隐私(LDP)条件下，隐私与统计效用之间的权衡，提出了针对多项式和连续数据的私密排列检验方法。我们发现，提出的方法能够严格控制类型I错误，并在LDP约束下达到最小最大分离率，揭示了私密检验中隐私与效用之间的固有权衡。

    Nov, 2024