May, 2019

假设检验解释和 Renyi 差分隐私

PDF
TL;DR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。
发现论文，激发创造
  • Renyi 差分隐私

    本文介绍了基于 Renyi 散度的差分隐私的自然松弛，将其作为隐私定义并展示其在隐私损失尾部的保障方面精准的表示，同时演示了新定义与标准差分隐私定义性质相似度高，在分析异构机制组合方面具有更紧密的能力。

    Feb, 2017

  • 具有差分隐私的数据分析

    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。

    Jul, 2023

  • 差分隐私的统计框架

    研究统计隐私的目标之一是构建一个数据发布机制，它可以在保护个人隐私的同时保留信息内容。本文从统计角度考虑差分隐私，研究满足差分隐私要求的数据发布机制，并比较它们的收敛速度。研究表明，指数机制的准确性与经验分布在真实分布周围集中的概率密切相关。

    Nov, 2008

  • 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

  • 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

  • 差分隐私：效用与信息泄露之间的平衡

    本文介绍差分隐私与最小 Rény 熵互信息相关性的模型，指出差分隐私可推出对互信息的限制，同时提供了一个在保持差分隐私的前提下产生最大随机值的方法.

    Mar, 2011

  • 差分隐私贝叶斯检验

    提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

    Jan, 2024

  • 高斯差分隐私

    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。

    May, 2019

  • 应用 Renyi 差分隐私方法进行超参数调优

    本文研究差分隐私算法包括 DP-SGD 等在进行多次训练来微调算法超参数时产生的隐私泄漏问题，并提出了基于 Renyi 差分隐私的超参数搜索方法，结果表明虽然调整超参数的确会带来隐私泄漏，但只要每次候选训练运行本身是差分隐私的，那么泄漏就是适度的。

    Oct, 2021

  • 异构差分隐私

    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