Jul, 2023

通过 $β$- 分散度进行差分隐私统计推断的一般后验抽样

PDF
TL;DR本文提出了 $eta$D-Bayes，一种从广义后验分布中采样的私有估计方法，旨在最小化模型与生成数据过程之间的 $eta$- 差异，并且为同等的隐私保护提供更精确的推断估计；通过对神经网络等复杂分类器和连续回归模型进行后验采样，同时也实现了相应的差分隐私估计。
differential privacybayesian posterior distributions$\beta$-divergenceprivate estimationneural networks
发现论文，激发创造
  • 通过后验采样进行贝叶斯差分隐私

    本文提出了一种新的用于保护数据隐私的方法，即使用贝叶斯推理本身提供对数据的私密访问，并利用后验采样来实现差分隐私和数据效用的平衡。同时，我们提出一般的差分隐私度量方法，使得适用范围更广泛，能够处理非 i.i.d 数据和非表格形式的数据集，并在套用路易斯界限法时得到更好的下界。

    Jun, 2013

  • 利用含噪度进行推断：差分隐私 β- 模型和合成图

    本文利用 $eta$-model of random graphs 建立隐私机制并研究了 MLE 存在条件问题，提出了一种私有的参数估计器并证明了其一致性和渐近正态分布特性，同时解决了通过隐私机制释放的数据如何有效地进行统计推断的基础问题。

    May, 2012

  • 贝叶斯推断的差分隐私

    该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方，共提出了四种不同的算法，包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制，一种基于后验采样的机制以及一种最大后验概率机制，并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。

    Dec, 2015

  • 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

  • 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

  • 隐私保护贝叶斯数据分析的理论与实践

    使用 Laplace 机制对数据进行隐私保护的方法效率与非私有后验推断相同，可用于敏感军事记录的时间序列分析，并具有隐私预算的有效利用优势。

    Mar, 2016

  • 机器学习的贝叶斯差分隐私

    提出了基于贝叶斯的差分隐私方法，并实验表明基于样本数据分布的隐私保护方法比传统方法更实用有效。

    Jan, 2019

  • 差分隐私贝叶斯检验

    提出一种新颖的差分隐私贝叶斯假设检验框架，基于统计学中广泛采用的检验统计量的差分隐私贝叶斯因子，不需要模拟完整的数据生成过程，保持结果推理的可解释性，并提供一组足够的条件来确立在该框架下的贝叶斯因子一致性结果，通过多个数值实验证明了该技术的实用性。

    Jan, 2024

  • 具有差分隐私的数据分析

    本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

    Jul, 2023

  • 双重稳健贝叶斯推断在具有 $β$- 散度的非平稳数据流中的应用

    该论文首次提出了具备线性时间和常数空间复杂度的鲁棒性贝叶斯在线变点检测算法，通过结构变分近似使 GBI 可扩展，并提供了一种选择差异参数 β 的原则方法，从而降低变点的误发现率。

    Jun, 2018