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
本文提出了一种多项式时间、多项式采样、差分隐私的算法,用于估计任意高斯分布的均值和协方差,且不需要先验参数范围。该算法的主要技术工具是一种新的差分隐私的预处理器,可以从任意的高斯分布中取样并返回一个矩阵 A,使得 A × Σ × A^T 具有固定的条件数字。
Nov, 2021
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
本论文利用半定规划松弛和高维中位数,首次提出了一种多项式时间算法,能在有限均值和协方差的假设下估计具有重尾分布的多维随机向量的均值,并实现亚高斯置信区间。
Sep, 2018
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
我们提出了一个针对普通最小二乘问题的样本和时间高效的差分隐私算法,误差线性依赖于维度并且与 $X^ op X$ 的条件数无关,其中 $X$ 是设计矩阵。我们的算法具有接近最优的准确性保证,适用于具有有限统计杠杆率和有界残差的任何数据集。
Apr, 2024
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
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
本文研究了一个基于迭代重新加权的估计方法,该方法针对多元高斯分布的均值具有鲁棒性,且具有多个优秀性质,包括计算上的可行性、对平移、伸缩和正交变换的不变性、高断点以及渐近有效性。此外,本文还为提出的估计器建立了无维度的非渐近风险界限,并将结果推广到了子高斯分布和污染率未知、协方差矩阵未知等情形。
Feb, 2020
探讨平衡标准误差和隐私保护之间的关系,提出了最小化极限风险下的差分隐私约束的算法,包括隐私迭代硬阈值追踪,以及在实际数据集中表现出的数值表现。
Feb, 2019