该论文提出了一种名为Hadamard Response的本地隐私保护方案,可在高隐私水平下使用,并在所有ε下具有最优的样本复杂度,通信不超过每个用户的log k + 2位,并且具有几乎线性的运行时间,该方案的编码和解码基于Hadamard矩阵,其统计性能依赖于编码理论方面的因素。
Feb, 2018
本文探讨了在移动设备上实现通信效率和差分隐私相结合的分布式随机梯度下降算法,其中引入了Binomial机制以实现近似于高斯机制的效用,同时减少了表示位的数量。
May, 2018
本文介绍了差分隐私中的两种实例优化概念,并提出了一种补充试点机制,称为反敏感机制,可针对一类估计量进行实例优化。此外,这些机制在多个函数类别的每个实例上都可以优于平滑敏感性框架。
May, 2020
该研究提出了一种基于Kashin表示和随机抽样的方案以及利用Walsh-Hadamard矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制,对平均值估计和频率估计等问题进行了研究。
Jul, 2020
随机洗牌可显著提高局部随机化数据的差分隐私保证,我们提出了一种基于新方法的差分隐私算法,其具有渐近最优的依赖性,应用于洗牌模型中的频率估计,是简单且近乎最优的算法。
Dec, 2020
本文研究联邦学习和联邦分析中的隐私和通信障碍,通过压缩和随机选择部分信息以实现差分隐私,实现在通信和差分隐私约束下的均值和频率估计的最优准确性,从而实现更高效的计算。
Apr, 2023
本文利用分布式鲁棒优化技术,开发了一种机制设计模型,以实现最高准确度和隐私预选级别的非渐近和无条件最优性保证。
我们研究了隐私洗牌模型下的私有向量均值估计问题,提出了一种新的多消息协议,每个用户使用Ο(nε²,d)个消息实现最优误差。此外,我们证明了实现最优误差的任何(无偏)协议都需要每个用户发送Ω(nε²/dlog(n))个消息,从而证明了我们的消息复杂度在对数因子上的最优性。此外,我们还研究了单消息设置,并设计了一个协议,实现均方误差Ο(dn^(d/(d+2))/ε^(4/(d+2)))。此外,我们证明了任何单消息协议必须产生均方误差Ω(dn^(d/(d+2))),从而证明了我们的协议在ε=Θ(1)的标准设置下是最优的。最后,我们研究了对恶意用户的鲁棒性,并显示恶意用户可以以单个洗牌者产生大的附加误差。
Apr, 2024
在本研究中,我们通过引入一种新的隐私账户方法,将稀疏高斯机制中的稀疏性所固有的随机性结合到差分隐私噪声中,解决了$L_2$均值估计在中心差分隐私和通信约束下的两个关键挑战,并扩展了稀疏化方案到流式差分隐私的矩阵分解框架,为DP-FTRL类型的优化器提供了一个精确的账户方法。
May, 2024
通过合作传输实现私密估计的算法,优化协作与隐私泄露之间的平衡,通过利用网络连接的随机性和向节点之间交换的估计添加高斯扰动来提供本地和中央隐私保证。
Jun, 2024