Apr, 2016

最大信息量、差分隐私和后选假设检验

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。
approximate differential privacyadaptive hypothesis testingmax-informationproduct distribution$(\epsilon,\delta)$-differential privacy
发现论文，激发创造
  • 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

  • 私有假设选择

    提出一种差分隐私算法，用于假设选择和生成学习算法，可处理各种自然分布类，包括高斯分布、分布乘积、独立随机变量的和、分段多项式和混合类，这种算法的样本复杂度最优。

    May, 2019

  • 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

  • 差分隐私作为互信息约束

    使用互信息给出的等价隐私定义，揭示了差分隐私的 subtleties，证明了其强度介于 ε 差分隐私和 (ε,δ) 差分隐私之间，并证明了互信息替代差分隐私的优势在于其属性易于理解和验证，如合成定理。

    Aug, 2016

  • 相互信息优化的局部私有离散分布估计

    本文研究在本地 ε- 差分隐私的统计学习中，优化隐私约束下的统计数据效用和最大化提供者所持数据和其私有视图之间的互信息，提出了 $k$- 子集机制，分析了现有机制的局限性并为离散分布估计提出了 $k$- 子集机制的有效实现，并展示了其对比现有方法的优足优势与保障。

    Jul, 2016

  • 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

  • 最优样本本地隐私假设选择和互动的可证优势

    我们研究了局部差分隐私约束下的假设选择问题，设计了一种使用较少样本的 ε- 局部差分隐私算法来选择假设，该算法的样本复杂度趋近于最优，并且通过定义关键查询的概念为统计查询算法提供了一种新的方法。

    Dec, 2023

  • 具有差分隐私约束的联邦非参数假设检验：最优速率和自适应测试

    本研究聚焦于分布式差分隐私条件下联邦非参数拟合优度测试，证明了最小极小分离率的匹配下界和上界，并观察到有趣的相变现象，还发现具备共享随机性的分布式一次性协议在性能上优于没有共享随机性的协议，同时提出一种适应未知规律参数的数据驱动测试过程，能够在各类函数集合上实现最小附加成本，并保持对相同差分隐私约束的遵守。

    Jun, 2024

  • Priv'IT：私密且样本高效的身份验证

    本研究利用差分隐私方法进行小样本假设检验，以得出隐私参数、准确性参数和错误要求等信息，实现在保证样本大小和错误率时的差分隐私保护

    Mar, 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