有限样本的差分隐私置信区间

Nov, 2017

Finite Sample Differentially Private Confidence Intervals

Vishesh Karwa, Salil Vadhan

TL;DR本文研究在差分隐私的限制下，对正态总体均值进行有限样本置信区间的估计问题。我们考虑知道和未知方差情况，并构建了具有差分隐私的算法来估计置信区间，与大多数以前的算法不同的是，我们不要求样本的定义域是有界的。此外，本文还证明了差分隐私置信集的预期大小下界，表明我们的参数在多对数因子意义下是最优的。

Abstract

We study the problem of estimating finite sample confidence intervals of the mean of a normal population under the constraint of

differential privacy confidence intervals normal population finite sample algorithms

发现论文，激发创造

差分隐私置信区间

本文提出五种实用的差分隐私算法用于计算正态分布数据的总体均值的置信区间，并将其与以前的工作进行比较，实验结果表明本文算法提供比以前的工作更准确的置信区间。

Jan, 2020

私密统计推断的重采样方法

通过构建隐私差分的置信区间，我们提出了两种非参数私有化自举方法，可以在数据的多个分区上私下计算多个 “小” 自举结果的中位数，并给出了对生成置信区间的渐近界限的错误率。对于固定的差分隐私参数 ε，我们的方法在样本量 n 中与非私有自举方法的错误率相似，只有对数因子的差异。我们通过真实数据和合成数据对我们方法的均值估计、中位数估计和逻辑回归的性能进行了实证验证。我们的方法在提供相似的覆盖准确性的同时，相较以前的方法提供了明显更短的（约 10 倍）置信区间。

Feb, 2024

高维度差分隐私估计器设计

本研究在高维度背景下研究差分隐私的均值估计问题，通过将高维度鲁棒统计的结果应用到差分隐私中，提出了一种计算可行的算法，能够在高维度下完成差分隐私的均值估计，并且在人工合成数据集上表现出了优异的性能。

Jun, 2020

更好、更简单的差分隐私统计估计下界

通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

Oct, 2023

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

具有差分隐私的因果推断（聚类）结果

基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”，通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失，同时仍然允许因果效应的估计。

Aug, 2023

INSPECTRE: 估算未知部分的隐私方法

本论文提出了一种隐私保护的差分私有方法，基于几种最先进的方法进行灵敏度分析，以实现估计分布属性方面的准确性，同时保持样本的 ε- 差分隐私，并在几种感兴趣的功能上证明了问题所需的样本大小的近乎严格的边界。

Feb, 2018

差分隐私统计估计的收敛速率

本研究探讨了差分隐私的统计估计问题，并且提出了差分隐私比较准确的估计方法，其中加入了随机噪声以提高数据的隐私保护性，同时也介绍了 Gross Error Sensitivity，将其与差分隐私紧密联系。

Jun, 2012

高效差分隐私点估计器

该研究证明了对于大类参数概率模型，可以构建不同 ially private 的估计器，其分布收敛于最大似然估计器，从而提供了更有说服力的证据，证明统计数据库中严格的隐私概念可以与统计学有效推断一致。

Sep, 2008

有限计算机上的差分隐私

提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

Sep, 2017