局部差分隐私下的线性查询估计
本文研究了差分隐私机制在 $d$ 个非适应性线性查询的噪音复杂度,使用几何参数给出了噪音复杂度的上下界,并根据凸几何学中的超平面猜想证明了任意线性查询的结果,提高了先前的结果,揭示了差分隐私概念与近似差分隐私概念之间的分离。
Jul, 2009
通过使用关联的高斯噪声和线性回归步骤,我们基于差分隐私机制的多项式对数组进行了矩阵突触连接和遗传差异,从而在线性查询的上下文中研究了准确性和隐私之间的权衡。
Dec, 2012
在本文中,我们重新考虑了局部差分隐私(LDP)模型下稀疏线性回归的问题。我们提出了一种创新的非交互式局部差分隐私(NLDP)算法,该算法在数据服从亚高斯分布的情况下,为估计误差提供了上界,并且在服务器有额外公开但未标记数据的情况下,误差上界可以进一步提高。我们还研究了序贯交互式 LDP 模型,并发现了非私有情况、中心差分隐私模型和局部差分隐私模型在稀疏线性回归问题上的基本差异。
Oct, 2023
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
该研究通过指定参数 delta 来构建一个全新的下界,从而优化(epsilon,delta)差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外,该研究还提出了纯粹和近似的差分隐私算法,用于回答任意统计查询,并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度,改善了对该问题的解决方法。
Jan, 2015
我们研究了局部差分隐私约束下的假设选择问题,设计了一种使用较少样本的 ε- 局部差分隐私算法来选择假设,该算法的样本复杂度趋近于最优,并且通过定义关键查询的概念为统计查询算法提供了一种新的方法。
Dec, 2023