NIPSJul, 2016

相互信息优化的局部私有离散分布估计

PDF
TL;DR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。
statistical learningdifferential privacymutual informationk-subset mechanismdiscrete distribution
发现论文，激发创造
  • 局部差分隐私下的离散分布估计最优方案

    本文研究在隐私限制下，离散分布的 Minimax 估计问题。通过将保密方案分别应用于每个原始样本，我们需要从保密样本中估计原始样本的分布。对于给定的 ε，我们考虑构造具有 ε- 隐私级别、即能够最小化最坏情况下的预期估计损失的最优保密方案问题。本文提出了一种新的保密方案族，它在中等隐私度量 ε 的情况下显著提高了现有方案的性能。

    Feb, 2017

  • 本地隐私、数据处理不平等和统计极小值率

    研究在数据即使隐私保护给定的情况下，隐私保证和结果统计估计器的效用之间的权衡，通过信息论和标准最小最大技术，提出本地隐私约束下统计速率的精确刻画，并提出新的隐私保护机制和计算有效的估计器，以实现界限。

    Feb, 2013

  • 局部隐私条件下的离散分布估计

    本文探讨了在隐私保护下进行离散分布估计的机制，提出了一种新的哈希 K-ary 随机响应（KRR）机制，并证明其与已有机制相比，在所有隐私级别上都可以实现更优的效果。同时，本文还探究了 KRR 和已有的 RAPPOR 机制在不同隐私保护级别下的效果与顺序最优性。

    Feb, 2016

  • 本地化隐私高斯估计

    研究局部差分隐私在高斯分布参数估计中的应用，并给出了自适应的两轮解决方案和非自适应的一轮解决方案，并通过信息理论下界证明了准确性保证的紧密性。

    Nov, 2018

  • 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

  • 学习离散分布：用户与物品级隐私

    本文研究了基于用户级差分隐私的离散分布学习问题，提出了一种新的实现方法，使隐私惩罚的数量级小于标准机制在某些感兴趣的设置下，并进一步展示了该建议机制在某些范围内是几乎最优的。同时，本文还提出了一些获取受限差分隐私的估计量下限的通用技术以及二项分布之间总变化量的下限，两者可能具有独立的研究意义。

    Jul, 2020

  • 打破通信 - 隐私 - 准确性三难题

    该研究提出了一种基于 Kashin 表示和随机抽样的方案以及利用 Walsh-Hadamard 矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制，对平均值估计和频率估计等问题进行了研究。

    Jul, 2020

  • 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

  • 局部差分隐私下的费舍尔信息

    本研究提出了描述在局部差分隐私限制下，统计样本的费舍尔信息如何随隐私参数 ϵ 缩放的数据处理不等式，证明了这些不等式对于所有隐私水平 ϵ>0 的高斯位置模型和离散分布估计都具有高阶匹配的平方ℓ2 误差的隐私机制和估计器。

    May, 2020

  • 差分隐私下的最优样本均值估计

    本文提供了一种基于差分隐私的平均数估计优化方法，该方法针对实际数据处理效果较好，能够适应各种数据类型的特点，且具有较强的实例优化性能。同时，该方法还可以在本地和混洗模型下进行扩展。

    Jun, 2021