Apr, 2020

差分隐私的阿绍德、范诺和勒卡姆

PDF
TL;DR本文使用中心差分隐私提出了 Le Cam 方法、Fano 不等式和 Assouad 引理的类似物，并且通过该方法在多个统计估计任务中建立了样本复杂性边界，包括离散分布估计和 l2 距离评估。我们还提供了针对几个其他分布类别的下界，包括产品分布和高斯混合分布，这些下界在对数因子上是精确的。我们的技术贡献在于将分布之间的耦合与基于差分隐私的估计的样本复杂度相关联。
le cam's methodfano's inequalityassouad's lemmacentral differential privacysample complexity bounds
发现论文，激发创造
  • 更好、更简单的差分隐私统计估计下界

    通过指纹技术和贝叶斯方法，我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界，并与先前工作的结论进行了比较。

    Oct, 2023

  • 局部隐私估计的极小极大最优算法

    本文研究数据保护与统计估计之间的平衡，开发了私有版本的信息熵界限，提出了一些新的基于隐私保护机制和计算效率估计，并给出了一些实验结果，证明了这些过程的重要性。

    Apr, 2016

  • 离散分布身份和接近性的差分隐私测试

    该研究提供了关于差分隐私下 k 个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

    Jul, 2017

  • 本地隐私、数据处理不平等和统计极小值率

    研究在数据即使隐私保护给定的情况下，隐私保证和结果统计估计器的效用之间的权衡，通过信息论和标准最小最大技术，提出本地隐私约束下统计速率的精确刻画，并提出新的隐私保护机制和计算有效的估计器，以实现界限。

    Feb, 2013

  • 基于通信复杂度的局部隐私估计的下限

    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

  • 距离型和连续型 Fano 不等式及其在统计估计中的应用

    该研究在信息论领域对 Fano 不等式进行了两个扩展，一个在估计中提供了与数量距离 $t$ 内的估计器的概率下限，第二个提供了基于体积的连续形式下限，并且证明了这些不等式可用于几个统计极小值下限的简单证明。

    Nov, 2013

  • 局部差分隐私下的费舍尔信息

    本研究提出了描述在局部差分隐私限制下，统计样本的费舍尔信息如何随隐私参数 ϵ 缩放的数据处理不等式，证明了这些不等式对于所有隐私水平 ϵ>0 的高斯位置模型和离散分布估计都具有高阶匹配的平方ℓ2 误差的隐私机制和估计器。

    May, 2020

  • 稳定凸松弛法私有鲁棒估计

    提出了一种新的框架，以将鲁棒性的凸松弛算法修改为满足适当参数规范的强最坏情况稳定性保证。通过这一框架，提出了一个可以在存在恶意数据干扰下实现微分隐私的高阶矩的鲁棒估计的算法，包括均值和协方差的估计。该算法成功地应用于成族分布，并在适当参数范数下提供恢复和维度参数的从容保证。

    Dec, 2021

  • 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

  • INSPECTRE: 估算未知部分的隐私方法

    本论文提出了一种隐私保护的差分私有方法，基于几种最先进的方法进行灵敏度分析，以实现估计分布属性方面的准确性，同时保持样本的 ε- 差分隐私，并在几种感兴趣的功能上证明了问题所需的样本大小的近乎严格的边界。

    Feb, 2018