Apr, 2023

通过动态处理提高差分隐私聚类效用

PDF
TL;DR通过使用 Morse 理论，构建子高斯簇将复杂簇分布与不同隐私保护保持一定的性能平衡，由于差分隐私子簇是通过现有方法进行获得的，所以所提出的方法几乎不存在额外的隐私损失。实验结果表明，在相同的隐私级别下，我们的方法能够实现更好的聚类性能。
发现论文，激发创造
  • 易实例的不同 ially-Private 聚类

    本文研究的是隐私保护聚类算法，提出了一个依据难易程度来组合本来不带保护性质的聚类算法和隐私保护结果的框架，并在高斯混合数据和 $k$-means 算法中实现了样本复杂度较小的聚类效果进行了实证评估。

    Dec, 2021

  • 使旧事焕新：差分隐私聚类的统一算法

    20 年前的算法经过轻微修改，适用于各种隐私模型，匹配几乎所有已知结果，改进了一些结果并扩展到新的隐私模型，即连续观测环境。

    Jun, 2024

  • 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

  • 具有差分隐私的因果推断（聚类）结果

    基于随机实验估计因果效应只有在参与者同意透露潜在敏感回应的情况下才可行。我们提出了一种新的差分隐私机制 “Cluster-DP”，通过利用数据的任何给定的聚类结构来实现更强的隐私保证和更低的方差损失，同时仍然允许因果效应的估计。

    Aug, 2023

  • 具有稳定性假设的差分隐私聚类算法

    本文研究了在输入稳定性假设下的差分隐私聚类问题，提出了一种简单的算法，分析了其在 Wasserstein 距离和 k-means 代价等方面的效用，可直接应用于 “好” 的 k - 中位数实例和本地模型的差分隐私。

    Jun, 2021

  • 隐私定位小的聚类簇

    使用差分隐私的新算法定位少数点的集群，并可用于私人数据探索、聚类和去除异常值，同时大大放宽了样本和聚合技术的需求，可将非私有的分析编译为保护差分隐私的分析。

    Apr, 2016

  • 学习分离高斯混合模型的差分隐私算法

    本研究提出了一种新的算法，用于学习高维、高分离度的高斯混合模型的参数，该算法在满足差分隐私强约束的情况下具有与非隐私算法相同的样本复杂度，且不需要对混合组件参数进行先验限制。

    Sep, 2019

  • 非共轭模型的差分隐私变分推断

    本文提出一种差分隐私变分推理方法，该方法基于双重随机变分推理，并通过剪辑和扰动梯度来加入差分隐私，并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别，是以前基于抽样方法的替代品的明显改进。

    Oct, 2016

  • 差分隐私分布式受限制优化

    本文提出了一种分布式优化算法，通过引入差分隐私的方法来保护隐私信息，该算法通过加性噪声扰动公共信号，噪声的大小由投向用户指定约束条件的投影运算的灵敏度决定，将它视为随机梯度下降的一种实现，并通过对其次优性的边界估计来评估算法的性能，同时对电动汽车充电场景进行了数值模拟，评估了算法在实践中的使用效果，包括步长的选择、迭代次数以及隐私级别和子优延迟之间的权衡问题。

    Nov, 2014

  • 异构差分隐私

    本文提出一种异构的差分隐私概念，旨在充分考虑用户之间的隐私态度和期望差异，结合 Laplacian 机制实现个性化系统中的隐私保护，并在真实数据集上实验证明该方法能够在保障隐私同时保持良好的语义聚类结果。

    Apr, 2015