通过研究基于前缀树算法的实际启发式方法,我们的工作旨在改进差分隐私重要数据检测算法的性能。我们提出了一种自适应超参数调整算法,以改善算法的性能,并满足计算、通信和隐私约束。通过在 Reddit 数据集上进行广泛实验,我们探究了不同数据选择方案以及在多次算法运行中引入拒绝列表的影响,其中任务是学习最常见的单词。
Jul, 2023
本文提出了在完全分布式的局部模型下,用保持隐私的差分算法有效解决重要选手问题的方法,同时给出了紧密的信息论上限和计算上的效率算法。
Feb, 2012
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。
提出了一种新的本地差分隐私算法,用于解决重要节点问题,实现了所有标准考虑参数的最优最坏误差,并展开了在局部模型中的组隐私和本地隐私,给出了相关的界限和保证。
Nov, 2017
本文介绍了一种新的本地差分隐私技术,可以在时间上保持最新的统计数据,隐私保证仅随基础分布变化次数而衰减,而不是收集周期次数,其中提供了使用频率和重量估计的应用程序。
Feb, 2018
本文研究在保障隐私和通讯限制下分布估计和重头分估计的问题,提出了使用局部差分隐私的样本最优方案,并表明 Hadamard 反应方案可以用于重头分估计。
May, 2019
本文研究了差分隐私下发布实数数据流的问题,并提出了一种基于指数机制和质量函数的私有阈值计算方法、在线分层方法和后处理技术。这个框架由三个组件组成:一个能私下计算阈 值的阈值优化器,一个在数据流中添加标定噪声的扰动器以及一个通过后处理来改善结果的远光镜。我们的算法考虑了更严格的本地差分隐私限制并超越了现有技术。使用四个真实数据集,展示了本方法比现有技术提高了 6 到 10 个数量级的实用性。
May, 2020
本文提出一种异构的差分隐私概念,旨在充分考虑用户之间的隐私态度和期望差异,结合 Laplacian 机制实现个性化系统中的隐私保护,并在真实数据集上实验证明该方法能够在保障隐私同时保持良好的语义聚类结果。
Apr, 2015
该研究提出了一种基于计数查询的线性组合方法,通过最优策略支持一组相关查询的答案,并对该策略的误差进行几何特征化并提出了优化方法,以应用于不同数据分析任务中的隐私保护。
Dec, 2009
在联邦学习中,差分隐私被用于保护数据隐私和提高模型效用,然而,在具有异质性要求和客户端批次 / 数据集大小差异的情况下,传统的聚合策略会降低效用。本文提出了一种名为 Robust-HDP 的方法,通过有效估计客户端模型更新中的噪声水平并显著减少聚合模型更新中的噪声水平,来提高效用和收敛速度,并对客户端的恶意行为进行安全处理。实验结果和理论分析验证了 Robust-HDP 的有效性。
Jun, 2024