ICMLJun, 2018

利用差分隐私减轻自适应数据收集中的偏见

PDF
TL;DR通过不同隐私保护数据收集，可以解决由算法偏见导致的数据收集问题，这不仅限于简单的数值类数据，也包括了复杂数据的假设检验。而且，该方法还能够计算数值类数据（如随机 bandit 算法的经验平均数）的偏差，并校正根据适应性收集的数据进行的假设检验的 p 值。此外，存在具有近优后悔界的差分私有 bandit 算法，我们利用现有的理论在简单随机情况下进行了应用，并为线性背景 bandits 提供了新的分析。我们通过实验证明了理论结果。
发现论文，激发创造
  • 鲁棒和差分隐私随机线性赌博机

    本研究使用对数批量查询和不同的隐私模型提出不同关于武断攻击的差分隐私和鲁棒性阿姆淘汰算法，实现同时在随机线性医生问题中提供差分隐私和对手强度的功能，并提供相应的遗憾界限。

    Apr, 2023

  • 利用 M - 估计器对自适应收集数据进行统计推断

    本论文通过理论分析，提出了一种基于 M - 估计量的方法，利用自适应算法（包括习得算法和最大似然算法）处理 bandit 算法采集的数据，进而构建了一种渐进有效的置信区间方法，可用于许多统计推断目标。

    Apr, 2021

  • 具有本地差分隐私的广义线性赌博机

    本文介绍了使用本地差分隐私的情境赌博算法，为了在保持用户数据隐私不受侵犯的情况下个性化学习，利用了一种基于随机梯度下降法的估计器和更新机制来确保使用 LDP，并且在广义线性情境中利用了该方法。我们还开发了一个基于最小二乘法的评估器和更新机制，最后通过模拟和实际数据集的实验来证明了算法的性能在强隐私保护的条件下具有相当好的表现。

    Jun, 2021

  • 差分隐私多臂赌博机算法

    本研究提出的隐私保护算法在解决随机多臂赌博机问题时，相比之前的成果取得了较大的进展。算法可以保证最优遗憾率 O (Ɛ−1+logT), 通过实验证实了理论界和实践界之间的一致性。

    Nov, 2015

  • 自适应实验中的差分隐私 CATE 估计

    该研究旨在研究上下文匹配实验中社会福利损失与统计功效之间的折中，并提出了一个多目标优化问题的上下界匹配方法，以及结合隐私保护措施的差分隐私算法，并推导出了估计器的渐近正态性质。

    Jan, 2024

  • 通过自适应加权利用来自上下文 Bandits 的数据进行离线策略评估

    本文通过自适应加权控制方差，改进了重复鲁棒估计器，并且使用合成数据和公开基准测试提供了经验证据，相较于现有方案，我们的估计器具有更高的精确性和推论属性。

    Jun, 2021

  • 具有差分隐私的数据分析

    本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

    Jul, 2023

  • 具有本地差分隐私的多臂赌博机

    本文探讨了多臂赌博问题在本地差分隐私保证下的遗憾最小化问题，采用差分隐私技术处理用户敏感信息，证明了一种下限并提出算法，数值实验验证了结论。

    Jul, 2020

  • 实用差分隐私的三种工具

    在实际数据中进行差分隐私学习存在挑战：隐私保证难以解释，对私有数据进行的超参数调整会降低隐私预算，通常需要进行特殊的隐私攻击来测试模型的隐私性。本文提出了三种工具来使差分隐私机器学习更加实用：（1）可在训练前以集中方式进行的简单的健全性检查，（2）自适应裁剪边界来减少可调隐私参数的有效数量，（3）大批量训练可以提高模型性能。

    Dec, 2018

  • 差分隐私高维赌博机

    我们考虑高维度的随机情景线性赌博问题，在参数向量是 $s_{0}$- 稀疏的情况下，决策者受到差分隐私在中心模型和本地模型下的约束。我们提出了 PrivateLASSO，一种差分隐私的 LASSO 赌博算法，它基于两个子例程：(i) 基于稀疏硬阈值的隐私机制和 (ii) 用于识别参数 $ heta$ 支撑集的时序阈值规则。我们证明了最小化差分隐私的下界，并在标准假设下为 PrivateLASSO 在中心模型下建立了隐私和效用保证。

    Feb, 2024