Oct, 2021

Skellam 机制用于差分隐私联合学习

PDF
TL;DR本研究介绍了基于两个独立的泊松随机变量之差的多维 Skellam 机制，可以用于分散式隐私应用及联邦学习下的安全聚合。该机制提供了与连续高斯机制相同的隐私 - 准确性折衷，即使精度较低也可以实现，而实现该机制只需要从泊松分布中进行取样。
multi-dimensional skellam mechanismdifferential privacypoisson random variablesfederated learningsecure aggregation
发现论文，激发创造
  • 采样高斯机制的 Rényi 差分隐私

    通过数值计算和密度提升实现了对 SGM（Sampled Gaussian Mechanism）的精确计算，进一步探究了其隐私性质。

    Aug, 2019

  • 分布式离散高斯机制在带有安全聚合的联邦学习中的应用

    本文提出了一种基于离散高斯和安全聚合的训练模型方法，以保护私有数据。通过数据量化和添加离散高斯噪音，能够实现通信、隐私和准确性之间的复杂平衡，此方法在少于 16 位精度的情况下几乎能匹配集中式差分隐私的准确性水平。

    Feb, 2021

  • 有限计算机上的差分隐私

    提供严格多项式时间的离散算法，用于近似分类数据集的直方图，同时保留与拉普拉斯机制相同的（纯）差分隐私保证，并基于受限离散计算模型，避免了基于实际算术的不同隐私算法攻击实现的可能性。

    Sep, 2017

  • 局部隐私贝叶斯计数模型推断

    我们提出了一种保护隐私的贝叶斯推断方法，使用局部隐私方法来保护疏松计数数据。该方法基于 MCMC 算法，可以近似局部隐私的后验模型参数，并通过两个新颖的洞见实现。<br> 这种方法的性能在两个真实的案例研究中都进行了演示，结果表明我们的方法在文本主题和网络中的链接预测方面都具有更高的精度，并且在一些任务上，我们的保护隐私方法甚至超越了非私有推断。

    Mar, 2018

  • 通过演变离散化实现更快的隐私账户

    本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数 (k) 的时间和内存使用情况下自我组合机制 k 次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。

    Jul, 2022

  • 学习离散分布：用户与物品级隐私

    本文研究了基于用户级差分隐私的离散分布学习问题，提出了一种新的实现方法，使隐私惩罚的数量级小于标准机制在某些感兴趣的设置下，并进一步展示了该建议机制在某些范围内是几乎最优的。同时，本文还提出了一些获取受限差分隐私的估计量下限的通用技术以及二项分布之间总变化量的下限，两者可能具有独立的研究意义。

    Jul, 2020

  • 通过离散化 Langevin MCMC 的 Rényi 散度分析加速差分隐私采样器

    本文旨在通过使用从 Rényi 距离获得收敛速度的 Langevin 动态算法，给出 Differentially Private 算法的快速实现方法，特别是对于平滑，强凸 f 的情况。

    Oct, 2020

  • 隐私感知的线性规划随机量化

    该研究提出一种无偏差且具有差分隐私的量化机制，通过线性优化方法可以高效地找到最佳机制，实验证明该机制与基准方法相比可以获得更好的准确性和隐私权衡。

    Jun, 2024

  • 基于格密码学的计算差分隐私

    本研究探讨大数据分析所带来的安全和隐私问题，研究了私有时间序列数据在分布式和半诚信环境下的统计分析问题，并提出了一种基于对称 Skellam 分布的扰动机制，可用于保护分布式数据的差分隐私性，并构建了一个计算有效的量子后学协议，该协议的安全性基于一种新型决策学习问题。

    Oct, 2017

  • 大函数空间中的学习：基于隐私保护机制的支持向量机学习

    研究了隐私保护学习中可用性或风险与统计查询处理机制提供的差分隐私级别之间的权衡，提出了针对有限维特征映射和潜在无限维特征映射的两种有效机制，并利用算法稳定性证明了差分隐私，并使用正则化经验风险最小化的光滑性证明了机制的效用。

    Nov, 2009