Renyi 差分隐私
本篇论文通过对差分隐私与统计假设检验的类比说明,探讨了一些满足以统计差异度量形式给出的隐私定义条件。研究发现这些条件有助于分析差异度量的可分辨性,并基于 Renyi 差异分析了差分隐私的一些扩展定义,并提出了改进的转换规则。
May, 2019
本文探讨了 “浓缩差分隐私” 的概念,将其用 Renyi 散度重新构建,得到更为精确的量化结果,并探讨了一些相关问题。同时,本文还通过给出 “近似浓缩差分隐私” 的定义,将这种方法与 “近似差分隐私” 相统一。
May, 2016
本研究研究以 Rényi 差分隐私为视角的 DP 组合,通过证明一个更简单的复合定理并提供小型常量,从而使其足够实用,以应用于 DP 深度学习中进行在线噪声或批处理大小调整以提高模型准确性,在固定的总隐私损失内以停止微调模型以减少总隐私损失的操作
Mar, 2021
本文针对使用 Renyi 差分隐私(RDP)定义时的数据隐私问题,特别是在指数族和特定广义线性模型 (例如:逻辑回归) 的采样中,利用先验分布减轻个体数据点的影响,提出了新颖的 RDP 机制,并为现有方法提供了新的 RDP 分析,以增加 RDP 框架的价值。每种方法都能够实现任意的 RDP 隐私保障,并提供其有效性的实验结果。
Oct, 2017
研究统计隐私的目标之一是构建一个数据发布机制,它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私,研究满足差分隐私要求的数据发布机制,并比较它们的收敛速度。研究表明,指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。
Nov, 2008
本文介绍差分隐私与最小 Rény 熵互信息相关性的模型,指出差分隐私可推出对互信息的限制,同时提供了一个在保持差分隐私的前提下产生最大随机值的方法.
Mar, 2011
研究了如何在单个数据集上执行自适应分析,确保每个参与者的差分隐私损失不超过预先指定的预算,提出了一种基于个性化隐私损失估计的更紧密的隐私损失计算方法,并应用于噪声梯度下降分析中。
Aug, 2020
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
提出一种放宽的隐私定义称为随机差分隐私 (RDP),它要求将随机新观测值添加到数据库中对数据发布过程的输出产生较小的影响,并展示与差分隐私程序组合性质的类比、发布 RDP 直方图的方法以及 RDP 直方图比普通差分隐私直方图更准确的证明。最后,展示了函数发布在我们的隐私定义下的全局敏感度框架的类比。
Dec, 2011
本文研究差分隐私算法包括 DP-SGD 等在进行多次训练来微调算法超参数时产生的隐私泄漏问题,并提出了基于 Renyi 差分隐私的超参数搜索方法,结果表明虽然调整超参数的确会带来隐私泄漏,但只要每次候选训练运行本身是差分隐私的,那么泄漏就是适度的。
Oct, 2021