Nov, 2018

简单假设的最佳私有测试结构

PDF
TL;DR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。
hypothesis testingprivacydifferential privacysample complexityalgorithmic stability
发现论文，激发创造
  • Priv'IT：私密且样本高效的身份验证

    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

  • 最优样本本地隐私假设选择和互动的可证优势

    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

  • 私有假设选择

    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

  • 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

  • 离散分布身份和接近性的差分隐私测试

    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

  • 高概率离散分布的最佳测试

    研究总变差距离下的离散分布测试问题，提出可用于样本较高概率区域的属性测试的算法，包括相应参数的样本复杂度与正确性保障。

    Sep, 2020

  • 分布属性的最佳测试

    研究如何通过样本来鉴别未知分布是否属于某个分布类，提出了一种可获得最优样本和计算效率的通用方法，并为分布的基本属性提供了测试方法。

    Jul, 2015

  • 最大信息量、差分隐私和后选假设检验

    本文介绍了如何使用大致差分隐私的泛化特性来进行自适应假设检验，并给出统计上有效的 p 值校正方法。研究表明，当算法满足 $(\epsilon, \delta)$- 差分隐私且输入来自于一个乘积分布时，它们具备有界的大致最大信息，并且这种连结只适用于乘积分布输入，而不适用于离散分布输入。

    Apr, 2016

  • 高概率优化身份测试

    本研究主要研究了如何在高置信度条件下，通过有限样本同时检验分布 $q$ 和 $p$ 是否相同，其结果给出了最优样本复杂度并表明了经验分布在均匀性检测中的高效性。

    Aug, 2017

  • 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