May, 2018

改进高斯机制的差分隐私：解析校准和最佳去噪

HTML
PDF
TL;DR本文针对高维情况下的差分隐私数据分析算法中的高斯机制，提出了一种经过优化的高斯机制，通过解决其方差在隐私程度较高和较低的限制，直接利用高斯累积分布函数进行方差校准，采用基于自适应估计技术的后处理步骤实现抑噪，实验证明该方法相比于经典高斯机制，能减少至少三分之一的噪声方差，并且在高维情境下能够显著提高其精确性。
发现论文，激发创造
  • 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

  • 高斯差分隐私

    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

  • 采样高斯机制的Rényi 差分隐私

    通过数值计算和密度提升实现了对SGM（Sampled Gaussian Mechanism）的精确计算，进一步探究了其隐私性质。

    Aug, 2019

  • 隐私与随机性平衡之际的差分隐私风险

    本文提出了一种基于风险概率的隐私保护机制，并使用凸性成本模型优化了这种机制的隐私级别和补偿预算，远远优于传统的高级组合方法。

    Mar, 2020

  • 使用FFT的离散值机制和子采样高斯机制的严格差分隐私

    提出一种基于隐私损失分布的数值账本方法，用于准确隐私计算，尤其是对子采样高斯机制的严格上下界隐私参数的计算，并给出幂系数约束下的隐私损失分布的误差分析，应用于计数查询的指数机制的计算也满足严格下界隐私参数。

    Jun, 2020

  • 通过演变离散化实现更快的隐私账户

    本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数(k)的时间和内存使用情况下自我组合机制k次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。

    Jul, 2022

  • 基于分布鲁棒优化的差分隐私

    本文利用分布式鲁棒优化技术，开发了一种机制设计模型，以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。

    Apr, 2023

  • 相对高斯机制及其在私人梯度下降中的应用

    通过在向量值查询之前添加高斯噪声以保护隐私的方式，考虑了相对L2敏感性假设和输出依赖噪声，并证明了相关的RDP参数的紧密上下界，来解决确界L2敏感性困难问题，并给出了应用与Private Gradient Descent问题的具体保证。

    Aug, 2023

  • 高斯噪声选择机制的隐私性

    使用高斯噪音在测量上报延时过程中的分析显示，在对底层查询进行了有界假设的前提下，对于Report Noisy Max可以提供纯先验差分隐私界限，而对于Above Threshold可以提供纯后验差分隐私界限，并且所得到的界限是紧的且取决于可使用标准方法进行数值评估的闭合表达式。

    Feb, 2024

  • 隐私感知的线性规划随机量化

    该研究提出一种无偏差且具有差分隐私的量化机制，通过线性优化方法可以高效地找到最佳机制，实验证明该机制与基准方法相比可以获得更好的准确性和隐私权衡。

    Jun, 2024