Feb, 2017

局部差分隐私下的离散分布估计最优方案

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于通信复杂度的局部隐私估计的下限

    本文为研究局部隐私约束下的估计方案制定下限，推导出了私有估计和受通信限制的估计问题之间的等价性，适用于任意交互的隐私机制，并且得出了所有不同隐私保护级别的尖锐下限。作者作为对研究结果的一个重要推论，证明了有界或高斯随机向量的均值估计的最小最大均方误差按比例缩放的结论为 $d/n * d/min (ε,ε^2)$ 。

    Feb, 2019

  • Hadamard Response：高效、低通信、隐私保护的分布估计

    该论文提出了一种名为 Hadamard Response 的本地隐私保护方案，可在高隐私水平下使用，并在所有 ε 下具有最优的样本复杂度，通信不超过每个用户的 log k + 2 位，并且具有几乎线性的运行时间，该方案的编码和解码基于 Hadamard 矩阵，其统计性能依赖于编码理论方面的因素。

    Feb, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 重尾分布的私有均值估计

    本文给出了关于有边界 k 阶矩分布不同隐私均值估计的最小最大样本复杂度的上下界，包括单变量和多变量情况，通过研究发现具有差分隐私约束时的样本复杂度与没有隐私时不同。

    Feb, 2020

  • 本地隐私与极小极大界：概率估计的尖锐率

    本文详细研究了在保持从统计学家隐藏数据的严格设置中概率分布（离散和连续）的估计，给出了这些本地私有设置中估计的尖锐最小极限速率，展示了隐私和收敛速率之间的根本权衡，以及提供允许沿隐私 - 统计效率连续体移动的工具。我们结果的一个后果是，华纳关于随机响应的经典工作是进行调查抽样并保持受访者隐私的最佳方法。

    May, 2013