离散分布身份和接近性的差分隐私测试
研究了利用随机样本对离散人群进行身份和相似度测试的问题,目标是开发出高效的测试器,并保证对个人的差异性隐私,提出了一种新的方法,可以产生样本有效的差异私有测试器用于解决这些问题,实验评估证明了我们的方案能够实现与非隐私测试器几乎相同的测试效率,同时达到了样本规模亚线性的领域大小下限。
Jul, 2017
研究了分布检测的样本测试的复杂度问题,提出了两种技术方法,一种是提供样本最优测试器,另一种是提供匹配样本下界。作者解决了大量重要的测试问题并证明了样本最优性,并且得到了第一个样本最优的对应测试器。
Jan, 2016
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
本文提出了对于自然广泛应用的多元产品分布,包括在已知协方差下的 Gaussians 和值域为 {±1}^d 的产品分布的新型差分私有(适合性)测试器。这些测试器相比于之前的技术得出了样本复杂度的改进,并且是第一个样本复杂度在许多参数区域与阶优化极小值样本复杂度相匹配的测试器。我们构建了两种类型的测试器,展示了样本复杂度和计算复杂度之间的权衡。最后,我们提供了多元产品分布的子类测试和单变量分布测试之间的双向约简,并因此获得了此类产品分布测试的上下界。
May, 2019
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