重尾分布的私有均值估计
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
提出两种样本有效的差分隐私均值估计器,可用于具有未知协方差的 $d$ 维(子)高斯分布。这些估计器是基于一种简单通用的设计差分隐私机制的方法实现的,但需要新颖的技术步骤使其保持隐私和有效性。
Jun, 2021
本文研究在隐私限制下,离散分布的 Minimax 估计问题。通过将保密方案分别应用于每个原始样本,我们需要从保密样本中估计原始样本的分布。对于给定的 ε,我们考虑构造具有 ε- 隐私级别、即能够最小化最坏情况下的预期估计损失的最优保密方案问题。本文提出了一种新的保密方案族,它在中等隐私度量 ε 的情况下显著提高了现有方案的性能。
Feb, 2017
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
该研究通过指定参数 delta 来构建一个全新的下界,从而优化(epsilon,delta)差分隐私算法在高维数据库上精确回答统计查询的样本复杂度。除了新的下界之外,该研究还提出了纯粹和近似的差分隐私算法,用于回答任意统计查询,并通过对比标准拉普拉斯和高斯机制在最坏情况下精度保证方面的样本复杂度,改善了对该问题的解决方法。
Jan, 2015
该论文研究了一种简单估计技术在重尾分布下提供指数集中性的应用和推广,证明该技术可用于平滑强凸损失函数的近似最小化,特别是在最小二乘线性回归、稀疏线性回归和低秩协方差矩阵估计中具有类似的特征。
Jul, 2013
研究怎样在不假设样本的基础分布为高斯分布的前提下,只假定有限个矩的情况下,有效地进行线性回归和协方差估计,并关注能用多少样本来实现高精度和指数级成功概率。使用八阶圆当量半定规划提供算法,预备性的证据表明在我们的算法使用的平均中位数框架中无法在多项式时间内改善这些误差率。
Dec, 2019