置换和翻转:一种新的差分隐私选择机制
本文考虑了在对候选项稳定性更弱的情况下,即评分函数是差分隐私的情况下的选择问题。我们提供了算法,在隐私、效用和计算效率等三个方面都是最优的。同时,我们还开发了在线版本和基于稀疏向量技术的通用性算法。这些算法在差分隐私机器学习中的超参数选择以及自适应数据分析中都有更好的表现。
Nov, 2018
在差分隐私框架下,研究高维稀疏线性回归模型中的模型选择问题,采用指数机制和 Metropolis-Hastings 算法,并建立其强模型恢复性质和混合时间的多项式关系,同时也确立了 Metropolis-Hastings 随机游走模拟的近似差分隐私性质。
Oct, 2023
本文研究使用差分隐私指数机制作为后处理步骤以提高监督学习模型的公平性和隐私性,在真实数据集上的实验结果表明,指数机制可提高公平性和隐私性,而精确度略有下降。
Dec, 2020
本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私,提出了一种新算法,提供了不同隐私保证的指数权重元算法,对于收益函数的间断问题进行了缓解,其结构类似于指数机制,适用于买家分阶段进行竞标的情况,具有次线性的遗憾率。
May, 2023
本研究研究了本地差分隐私和效用之间的基本权衡,介绍了一种组合极端私有化机制族,即楼梯机制,并通过展示它包含广泛信息理论实用程序的最优私有化机制来证明其有效性。同时,我们证明了二进制和随机响应机制在低、高隐私区间是普遍最优的,能够很好地近似中间区间。
Jul, 2014
研究了在用户级差分隐私的条件下,对于大数据域中的前 k 项选择问题。介绍了新的算法,使用真实的前固定 k 项,实现了(近似)(ϵ,δ>0)差分隐私。提供了算法的隐私组合边界。
May, 2019
研究了不同 ially private top-k 选择问题,提出了基于指数机制和差分隐私组合性质的解决方案,并证明了在高精度区域内,需要 n >= k ln(d)的数据集大小进行高在准的选择。此外,我们还证明了在高精度区域内,选择 k 个最大列所需的数据比估算那些 k 列的值所需的数据量更大。
Feb, 2017
该研究通过组合多项式权重方法和指数机制,实现不同隐私等级和计数查询下的差分隐私数据发布,并在实际数据集上进行了实证研究,结果表明该方法在误差和运行时间方面都优于以往的方法。
Dec, 2010