Aug, 2021

赢得 NIST 比赛：一种可扩展且通用的差分隐私合成数据方法

PDF
TL;DR该研究提出了一种差分隐私合成数据的通用方法，包括选择低维数据边缘集合，测量这些边缘数据并添加噪声机制，以及生成合成数据，保持测量的数据边缘的高准确性。
发现论文，激发创造
  • 基于分区的差分隐私合成数据生成

    我们的方法采用基于分区的方法来改善合成数据的质量和可用性，在限定的隐私预算下，我们的方法优于现有方法，因此是私人合成数据共享的首选。

    Oct, 2023

  • 联合选择：自适应地整合公共信息与私密合成数据

    jam-pgm 是一种扩展的自适应测量框架，能够在选择公共数据和私有数据之间进行联合，并将公共数据纳入基于图模型的机制，从而在公共数据分布存在偏差时，能够胜过公共辅助和非公共辅助的合成数据生成机制。

    Mar, 2024

  • 具有私密密度估计的差分隐私合成数据

    我们采用差分隐私的框架研究了敏感数据分析的方法，通过将均匀采样步骤替换为私有分布估计器，我们改进了 Boedihardjo 等人工作的算法，并提供了离散和连续分布的计算保证，适用于多种统计任务。

    May, 2024

  • 使用遗传算法生成私有合成数据

    本文提出了 Private-GSD，一种基于零阶优化技术的私人遗传算法，可以高效生成不同 ially private 的合成数据，以近似具有敏感性数据集的统计性质，并通过实验证明了在不可导查询的正确性和性能上的优越性。

    Jun, 2023

  • P3GM: 通过隐私保护分步生成模型发布私有高维数据

    提出了一种基于隐私保护的分阶段生成模型（P3GM），通过采用分阶段的学习过程，P3GM 可以更好地处理高维数据的隐私保护数据合成问题，并在数据挖掘中的合成数据任务中表现出更高的准确性。

    Jun, 2020

  • 免费隐私：后验采样和随机梯度 Monte Carlo

    本文提出了一种使用差分隐私技术保证贝叶斯学习个体隐私安全的算法，采样自后验分布得出的估计符合要求，同时随机梯度下降方法也可以达到类似效果，是较好的解决贝叶斯学习隐私问题的方法。

    Feb, 2015

  • 连接随机梯度 MCMC 和差分隐私

    本文介绍一种新的机器学习算法，称为随机梯度马尔科夫链蒙特卡罗（SG-MCMC），可在不牺牲隐私的情况下提高算法的准确性。该算法是在差分隐私框架下提供了一个简单和优雅的解决方案来保护训练数据的隐私，并且比现有算法具有更好的性能。

    Dec, 2017

  • 私有合成数据的迭代方法：统一框架和新方法

    本文旨在研究关于隐私合成数据生成的算法框架，提出了两种新的算法：私有熵投影（PEP）和具有指数机制的生成网络（GEM），这些算法表现出比现有算法更好的性能。

    Jun, 2021

  • 基准测试差分隐私合成数据生成算法

    本研究对不同差分隐私合成数据生成算法进行了系统基准测试，评估了合成数据的实用性，并确定了表现最佳和最差的算法。

    Dec, 2021

  • 基于图的差分隐私聚类

    本文提出了一种针对图中任意形状节点簇的差分隐私聚类算法，该算法仅使用在权重差分隐私约束下释放的近似最小生成树作为输入，并通过最优剪切方法从中成功恢复底层的非凸聚类分区。与现有方法不同，我们的算法在理论上得到了很好的支持，并且实验证实了我们的理论发现。

    Mar, 2018