May, 2019

高斯差分隐私

HTML
PDF
TL;DR本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。
发现论文，激发创造
  • 函数和函数数据的差分隐私

    利用高斯过程加噪点的方法，实现了对具有不同隐私级别的查询的差分隐私保护，可以应用于例如核密度估计，核支持向量机等在核希尔伯特空间中的函数。

    Mar, 2012

  • 集中式差分隐私：简化、扩展和下限

    本文探讨了“浓缩差分隐私”的概念，将其用Renyi散度重新构建，得到更为精确的量化结果，并探讨了一些相关问题。同时，本文还通过给出“近似浓缩差分隐私”的定义，将这种方法与“近似差分隐私”相统一。

    May, 2016

  • 改进高斯机制的差分隐私：解析校准和最佳去噪

    本文针对高维情况下的差分隐私数据分析算法中的高斯机制，提出了一种经过优化的高斯机制，通过解决其方差在隐私程度较高和较低的限制，直接利用高斯累积分布函数进行方差校准，采用基于自适应估计技术的后处理步骤实现抑噪，实验证明该方法相比于经典高斯机制，能减少至少三分之一的噪声方差，并且在高维情境下能够显著提高其精确性。

    May, 2018

  • 假设检验解释和Renyi差分隐私

    本篇论文通过对差分隐私与统计假设检验的类比说明，探讨了一些满足以统计差异度量形式给出的隐私定义条件。研究发现这些条件有助于分析差异度量的可分辨性，并基于 Renyi 差异分析了差分隐私的一些扩展定义，并提出了改进的转换规则。

    May, 2019

  • 采样高斯机制的Rényi 差分隐私

    通过数值计算和密度提升实现了对SGM（Sampled Gaussian Mechanism）的精确计算，进一步探究了其隐私性质。

    Aug, 2019

  • 通过 $f$-分歧改善边界，增强隐私保护保证

    该研究使用 f-分歧 的联合作用，推导出满足给定的 Renyi 差分隐私(RDP)水平的机制的最佳差分隐私(DP)参数，并将其应用于表征随机梯度下降的隐私保证的“Moments Accountant”框架，与最先进的技术相比，我们的范围可能导致相同隐私预算的深度学习模型的训练过程增加约100次随机梯度下降迭代。

    Jan, 2020

  • 躲藏在克隆之中：洗牌隐私扩增的简单且几乎最优分析

    随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。

    Dec, 2020

  • 通过 $f$-差分隐私统一增强混合机制的隐私边界

    该研究聚焦于利用f-DP改进随机初始化的洗牌模型和一次迭代的差分隐私梯度下降（DP-GD）算法的隐私界限，并得到了洗牌模型的交替函数的闭式表达式，同时研究了随机初始化对于DP-GD的隐私影响。

    Oct, 2023

  • 差分隐私的偏移插值

    这篇论文通过建立“迭代的隐私放大”现象的统一框架，改进了先前分析的方法，有效地量化了差分隐私算法的隐私泄露，并扩展到各种设置和概念中，进而在 strongly convex optimization 领域中实现了第一个精确的隐私分析。

    Mar, 2024

  • 从统计学角度看差分隐私：假设检验、表征与布莱克韦尔定理

    本研究解决了差分隐私作为一种统计概念的理解和应用的不足，提出了通过假设检验的视角重新定义差分隐私的必要性。文章引入了$f$-差分隐私的概念，并通过表征定理扩展了现有的差分隐私定义，提供了一个统一的框架用于分析数据分析和机器学习中的隐私界限。研究发现，这种框架在私有深度学习和其他应用中显示出相较于现有方法的显著优势。

    Sep, 2024