Apr, 2023

异构隐私下的均值估计：一些隐私可能是免费的

PDF
TL;DR本文提出一种算法来解决在不同隐私偏好的用户条件下的均值估计问题，并发现在两组用户具有不同隐私级别的情况下，该算法是最优的。当一个群体的隐私要求得到放宽时，会出现一个饱和现象，即进一步放宽该群体的隐私要求并不能改善估计器的性能。因此，中央服务器可以在不影响性能的情况下提供一定程度的隐私保护。
发现论文，激发创造
  • 异质隐私需求下的均值估计

    该论文研究差分隐私中个体隐私偏好对均值估计的影响，并提出了一种接近线性运行时间且极小化的算法，结果表明最严格隐私要求的用户决定了整体误差率，其他隐私偏好较低但不同的用户将获得超过需求的相等隐私保护，而估计器性能不受影响。

    Oct, 2023

  • 基于个体级差分隐私的私有均值估计

    研究多样本时的差分隐私均值估计，在用户级别设置下，给出了人数的必要和充分条件以实现在 ε- 差分隐私（及其常见松弛条件）下在ℓ2 范数中以距离 α 估计均值的结果，并提供了近似差分隐私的高效算法（在样本复杂性上略有降低）和纯差分隐私的低效算法的计算方法和边界分析。

    May, 2024

  • 用户隐私学习

    提出并分析了一系列算法来解决在用户级差分隐私约束下的学习任务，包括高维均值估计、平滑损失函数的经验风险最小化、随机凸优化以及具有有限度量熵的学习假设类。

    Feb, 2021

  • 在数据异质性下实现对用户隐私的均值估计

    在这项工作中，我们提出了一个简单的异构用户数据模型，允许用户数据在分布和数量上存在差异，并提供了一种在保持用户级差分隐私的同时估计总体均值的方法。我们证明了我们的估计量的渐近最优性，并证明了在我们引入的设置中可以实现的错误的一般下界。

    Jul, 2023

  • 差分隐私下的最优样本均值估计

    本文提供了一种基于差分隐私的平均数估计优化方法，该方法针对实际数据处理效果较好，能够适应各种数据类型的特点，且具有较强的实例优化性能。同时，该方法还可以在本地和混洗模型下进行扩展。

    Jun, 2021

  • 隐私成本：具有差分隐私的参数估计的最佳收敛速率

    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

  • 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

  • 高效差分隐私点估计器

    该研究证明了对于大类参数概率模型，可以构建不同 ially private 的估计器，其分布收敛于最大似然估计器，从而提供了更有说服力的证据，证明统计数据库中严格的隐私概念可以与统计学有效推断一致。

    Sep, 2008

  • 差分隐私：什么是所有的噪音？

    本文概述了隐私保护的形式定义 Differential Privacy 在数据处理中提供严格保证的重要思想、概念和应用，特别关注它在机器学习和联邦学习领域的交叉应用。

    May, 2022

  • 一个简单实用的方法来减少差异隐私的不均衡影响

    通过使用分层方法，可以在不用额外的隐私预算的情况下得到高准确性的全局统计学估计，从而减少差异的工作是减少差异的差异数据隐私机制应该被比较的一个强有力的基线。

    Dec, 2023