Jun, 2019

平均情况下的平均值：用于平滑敏感性和均值估计的私有算法

PDF
TL;DR本文提出了一种实例依赖的差分隐私噪声缩放方法，并使用修剪均值估计器对平均分布假设下的实现进行了实验和理论分析，结果显示该方法相对于其他文献中的方法有较好的效果。同时，文章也重新审视了 Nissim、Raskhodnikova 和 Smith (STOC 2007) 的模糊敏感度框架，并提出了三种新的加性噪声分布，它们在平滑敏感度的缩放下提供了集中型的差分隐私。
发现论文，激发创造
  • 差分隐私下的最优样本均值估计

    本文提供了一种基于差分隐私的平均数估计优化方法，该方法针对实际数据处理效果较好，能够适应各种数据类型的特点，且具有较强的实例优化性能。同时，该方法还可以在本地和混洗模型下进行扩展。

    Jun, 2021

  • 高维度差分隐私估计器设计

    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

  • 无痛随机差分隐私与灵敏度采样

    通过采样器估计非私有机制的敏感性，可以自动实现随机差分隐私，避免了全局敏感度的计算复杂性，并在黑盒计算机程序中实现更精确的发布，采用自然放松的隐私保证。

    Jun, 2017

  • 鲁棒性和差分隐私平均数估计

    对于从共享数据中进行统计学习和分析，在保证隐私和鲁棒性两个主要问题中，PRIME 是第一种同时实现了隐私性和鲁棒性的高效算法，可以应用于广泛的分布。我们还使用了一个新的指数时间算法来提高 PRIME 的样本复杂度，达到接近最优的保证，并与已知的（非鲁棒）私有均值估计的下限相匹配，说明同时保证隐私和鲁棒性不需要额外的统计代价。

    Feb, 2021

  • 差分隐私中的近似最优性

    本文介绍了差分隐私中的两种实例优化概念，并提出了一种补充试点机制，称为反敏感机制，可针对一类估计量进行实例优化。此外，这些机制在多个函数类别的每个实例上都可以优于平滑敏感性框架。

    May, 2020

  • 本地化隐私高斯估计

    研究局部差分隐私在高斯分布参数估计中的应用，并给出了自适应的两轮解决方案和非自适应的一轮解决方案，并通过信息理论下界证明了准确性保证的紧密性。

    Nov, 2018

  • 基于个体级差分隐私的私有均值估计

    研究多样本时的差分隐私均值估计，在用户级别设置下，给出了人数的必要和充分条件以实现在 ε- 差分隐私（及其常见松弛条件）下在ℓ2 范数中以距离 α 估计均值的结果，并提供了近似差分隐私的高效算法（在样本复杂性上略有降低）和纯差分隐私的低效算法的计算方法和边界分析。

    May, 2024

  • 异构隐私下的均值估计：一些隐私可能是免费的

    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

  • 差分隐私中的实例特定异质敏感度

    我们提供了一个新的算法框架，用于差分隐私估计一般函数，该框架根据底层数据集的难度进行动态调整。我们构建在先前的工作基础上，通过接近逆过程的数据集，即称为逆敏感性机制的指数机制选择一个输出的范例。我们的框架稍微修改了接近度度量，并提供了稀疏向量技术的简单有效应用。我们打破这个假设，以更自然地处理偏差 - 方差平衡，这也关键地允许我们将方法扩展到无界数据。考虑到这种平衡，我们提供了强有力的直觉和实证验证，表明我们的技术在与底层数据集的距离是非对称的情况下尤为有效。我们以 $O (n)$ 的时间高效实现了这些问题，并通过实验证明我们的技术能够显著改进差分隐私估计。

    Nov, 2023

  • 异质隐私需求下的均值估计

    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