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
提出一种差分隐私算法,用于假设选择和生成学习算法,可处理各种自然分布类,包括高斯分布、分布乘积、独立随机变量的和、分段多项式和混合类,这种算法的样本复杂度最优。
May, 2019
本研究利用差分隐私方法进行小样本假设检验,以得出隐私参数、准确性参数和错误要求等信息,实现在保证样本大小和错误率时的差分隐私保护
Mar, 2017
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
本研究提出了描述在局部差分隐私限制下,统计样本的费舍尔信息如何随隐私参数 ϵ 缩放的数据处理不等式,证明了这些不等式对于所有隐私水平 ϵ>0 的高斯位置模型和离散分布估计都具有高阶匹配的平方ℓ2 误差的隐私机制和估计器。
May, 2020
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
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
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 。
Nov, 2017
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
提出了一种新的框架,以将鲁棒性的凸松弛算法修改为满足适当参数规范的强最坏情况稳定性保证。通过这一框架,提出了一个可以在存在恶意数据干扰下实现微分隐私的高阶矩的鲁棒估计的算法,包括均值和协方差的估计。该算法成功地应用于成族分布,并在适当参数范数下提供恢复和维度参数的从容保证。
Dec, 2021