Jul, 2023

在数据异质性下实现对用户隐私的均值估计

PDF
TL;DR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。
user dataheterogeneousdistributionquantitydifferential privacy
发现论文，激发创造
  • 异构隐私下的均值估计：一些隐私可能是免费的

    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。

    Apr, 2023

  • 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

  • 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

  • 少用户下严密稳健的私有平均估计

    本文研究了用户级差分隐私下的高维度平均值估计，提供了用户数量与每个用户所需样本数量之间的最优权衡，并设计了一个 (ε,δ)- 差分隐私机制，即使当用户数量与 δ 的对数之积很小时也能保证隐私安全，同时与维度无关，适用于学习离散分布以及其它问题。

    Oct, 2021

  • 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

  • 基于 Huber 损失的用户级差分隐私均值估计方法

    在分布式系统中，用户整体样本的隐私保护是很重要的。我们提出了基于 Huber loss 最小化的方法来进行用户级差分隐私下的均值估计，通过自适应调整 Huber loss 的连接点来处理不平衡的用户，避免了剪辑操作，大大减少了误差。通过理论分析和数值实验证实了我们的方法。

    May, 2024

  • 本地化隐私高斯估计

    研究局部差分隐私在高斯分布参数估计中的应用，并给出了自适应的两轮解决方案和非自适应的一轮解决方案，并通过信息理论下界证明了准确性保证的紧密性。

    Nov, 2018

  • 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

  • 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

  • 高维度差分隐私估计器设计

    本研究在高维度背景下研究差分隐私的均值估计问题，通过将高维度鲁棒统计的结果应用到差分隐私中，提出了一种计算可行的算法，能够在高维度下完成差分隐私的均值估计，并且在人工合成数据集上表现出了优异的性能。

    Jun, 2020