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
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
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
通过使用差分隐私,我们在小型数据集的情况下训练针对经济研究的简单线性回归的算法,在不牺牲数据隐私的情况下获得较高的性能。
Jul, 2020
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 $d/n * d/min (ε,ε^2)$ 。
我们探索和比较了隐私和披露限制的各种定义,在统计估计和数据分析中包括 (近似) 差分隐私、基于测试的隐私定义和对披露风险的后验保证。我们在定义之间给出了等价结果,揭示了不同形式隐私定义之间的关系。我们通过这些定义提供了最小化风险边界的推论视角,包括均值估计,分布支撑的估计和非参数密度估计。这些界限突出了不同隐私定义的统计后果,并为评估不同的披露限制技术的优势和劣势提供了第二个视角。
Dec, 2014
我们研究了差分隐私(DP)在核心机器学习问题线性最小二乘(OLS)上的应用,发现了 ALS 算法作为 OLS 问题的随机化解决方案能够提供更好的隐私和效用平衡,同时我们提供了 ALS 算法和 OLS 中标准高斯机制的第一个紧密差分隐私分析。
Sep, 2023
本文提出了一种统一的框架,用于基于交互式协议的分布式参数估计,可以导出各种紧密下限,适用于不同的参数分布族;特别是在高斯家族的原型情况下,我们的方法可以规避以往技术的局限性,并补充了匹配的上限。
Oct, 2020
本文研究在隐私模型下的统计风险最小化问题,针对局部隐私框架,确定了统计估计过程的收敛速率上下限,并展示了数据保留隐私量与任何统计估计器或学习程序的收敛速率之间的精确权衡。
Oct, 2012
通过复杂性理论的标准假设(NP 不在 P/poly),我们证明了稀疏线性回归的极小化预测风险可以由多项式时间算法实现,但实际上实现优化算法时,二者之间存在差距。特别是在设计矩阵不良条件下,多项式时间算法可以实现的极小化预测损失可能会明显高于优化算法。这是首个已知的多项式和最优算法在稀疏线性回归中的差距,而且不依赖于平均时间复杂度的猜想。
Feb, 2014