May, 2018

二项分布数据的差分隐私最强统一检验

PDF
TL;DR本文提出了一种基于 Differential Privacy 的 UMP 检验方法，利用经验分布建立二项数据的 Neyman-Pearson 检验，使用 Truncated-Uniform-Laplace (Tulap) 方法获得确切的 p 值，实验表明这种方法不仅有准确的 I 类错误，且比目前的技术更加强大。
发现论文，激发创造
  • 差异私有置换检验：在核方法中的应用

    提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD 和 dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小 - 最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。

    Oct, 2023

  • 高维下的差分隐私和鲁棒统计学

    通过引入高维度的 Propose-Test-Release（HPTR）框架，概括表征具有差分隐私保证的统计估计问题的统计效率，以及基于差分隐私保证的健壮统计和对数学分析的需求。

    Nov, 2021

  • 一种使用随机投射在高维空间中实现更强大的双样本检验方法

    在高维情形下考虑了检验两个多元正态分布均值差异的统计假设检验问题，其中引入了投影方法和 Hotelling T^2 统计量，并针对高维条件下的渐近推理，概述了测试的渐近功效函数以及通往提高其他最先进测试功效的充分条件，最后通过基于 ROC 曲线的实验，验证了该检验方法在高维数据中区分肿瘤数据种类时的优良性能。

    Aug, 2011

  • 简单假设的最佳私有测试结构

    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

  • 重新审视针对分类数据的差分隐私假设检验

    本文提出了一种新型假设检验方法，能够应用于含有隐私保护的差分隐私数据，并且其偏置较小、效果较好，解决了传统差分隐私假设检验方法中的问题。

    Nov, 2015

  • 作为双样本检验代理的分类准确性

    探究在高维情况下对分类器的精度验证，证明一种基于排列组合的测试方法具有连续性及德克斯特拉极限分布的高斯近似测试也具有连续性，并以高斯分布为例进一步研究了线性判别分析和 Hotelling's 测试等方法的功率。

    Feb, 2016

  • 一类新的私有卡方检验

    本文提出了新的测试统计量，其渐近分布匹配经典（非私有）卡方检验的渐近性，可用于测试多项式数据参数是否属于低维流形，并在实证研究中优于现有统计量的噪声版本。

    Oct, 2016

  • 差分隐私非参数假设检验

    本研究研究了不同隐私性的统计假设检验方法，包含常规与非参数检验方法，并使用特定于隐私数据的新型检验统计量，比较结果表明，我们的新型非参数检验方法在统计功效上有巨大改进。

    Mar, 2019

  • 通过差分隐私的视角对广义似然比检验对手进行建模

    本文在假设检验 / 成员推断的 DP 解释下，对高斯机制进行了研究，通过放宽通常的 Neyman-Pearson-optimal 假设为一般化似然比检验敌手，获得了改进的隐私保证。

    Oct, 2022

  • 差分隐私合成数据是否导致合成发现？

    通过评估 Mann-Whitney U 检验在差分隐私合成生物医学数据上的 I 型和 II 型错误，本研究旨在确定在隐私保护合成数据上进行的统计假设检验是否可能导致测试的有效性丧失或功效降低。

    Mar, 2024