无痛随机差分隐私与灵敏度采样
本文提出了一种实例依赖的差分隐私噪声缩放方法,并使用修剪均值估计器对平均分布假设下的实现进行了实验和理论分析,结果显示该方法相对于其他文献中的方法有较好的效果。同时,文章也重新审视了 Nissim、Raskhodnikova 和 Smith (STOC 2007) 的模糊敏感度框架,并提出了三种新的加性噪声分布,它们在平滑敏感度的缩放下提供了集中型的差分隐私。
Jun, 2019
我们提供了一个新的算法框架,用于差分隐私估计一般函数,该框架根据底层数据集的难度进行动态调整。我们构建在先前的工作基础上,通过接近逆过程的数据集,即称为逆敏感性机制的指数机制选择一个输出的范例。我们的框架稍微修改了接近度度量,并提供了稀疏向量技术的简单有效应用。我们打破这个假设,以更自然地处理偏差 - 方差平衡,这也关键地允许我们将方法扩展到无界数据。考虑到这种平衡,我们提供了强有力的直觉和实证验证,表明我们的技术在与底层数据集的距离是非对称的情况下尤为有效。我们以 $O (n)$ 的时间高效实现了这些问题,并通过实验证明我们的技术能够显著改进差分隐私估计。
Nov, 2023
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
本文从实践角度讨论差分隐私,提出一个基于公式的简单模型来平衡隐私保护和结果准确性之间的权衡,并使用该模型来选择关键参数 epsilon。研究表明,在一些情况下,差分隐私研究可以比非私密研究更加准确。
Feb, 2014
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
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
通过开发一个适用于 Oracle 访问目标函数评估和灵敏度的功能机制,利用迭代 Bernstein 算子进行多项式逼近和多项式系数扰动,在较弱的正则条件下建立了快速的依概率均匀逼近的实用程序速率,可用于解决函数发布的差分隐私问题,并提供了任何函数机制可实现的效用下限。
Jul, 2015