隐私成本:具有差分隐私的参数估计的最佳收敛速率
使用构建的差分隐私版本的梯度下降算法,针对低维和高维稀疏广义线性模型提出参数估计,通过表征统计学性能和建立 GLMs 的隐私约束极小值下界来显示所提算法的近乎速率最优性。
Nov, 2020
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
该研究证明了对于大类参数概率模型,可以构建不同 ially private 的估计器,其分布收敛于最大似然估计器,从而提供了更有说服力的证据,证明统计数据库中严格的隐私概念可以与统计学有效推断一致。
Sep, 2008
本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题,并发现在两组用户具有不同隐私级别的情况下,该算法是最优的。当一个群体的隐私要求得到放宽时,会出现一个饱和现象,即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此,中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。
Apr, 2023
研究在数据即使隐私保护给定的情况下,隐私保证和结果统计估计器的效用之间的权衡,通过信息论和标准最小最大技术,提出本地隐私约束下统计速率的精确刻画,并提出新的隐私保护机制和计算有效的估计器,以实现界限。
Feb, 2013
本文为研究局部隐私约束下的估计方案制定下限,推导出了私有估计和受通信限制的估计问题之间的等价性,适用于任意交互的隐私机制,并且得出了所有不同隐私保护级别的尖锐下限。作者作为对研究结果的一个重要推论,证明了有界或高斯随机向量的均值估计的最小最大均方误差按比例缩放的结论为 $d/n * d/min (ε,ε^2)$ 。
Feb, 2019
本研究在高维度背景下研究差分隐私的均值估计问题,通过将高维度鲁棒统计的结果应用到差分隐私中,提出了一种计算可行的算法,能够在高维度下完成差分隐私的均值估计,并且在人工合成数据集上表现出了优异的性能。
Jun, 2020
本文从实践角度讨论差分隐私,提出一个基于公式的简单模型来平衡隐私保护和结果准确性之间的权衡,并使用该模型来选择关键参数 epsilon。研究表明,在一些情况下,差分隐私研究可以比非私密研究更加准确。
Feb, 2014
该论文研究差分隐私中个体隐私偏好对均值估计的影响,并提出了一种接近线性运行时间且极小化的算法,结果表明最严格隐私要求的用户决定了整体误差率,其他隐私偏好较低但不同的用户将获得超过需求的相等隐私保护,而估计器性能不受影响。
Oct, 2023