Sep, 2023

平衡折中：异构差分隐私数据采集的最优机制设计（适用于逻辑回归）

PDF
TL;DR对于隐私敏感的卖家数据，我们研究了在其上执行逻辑回归的问题。通过向卖家提供激励性的支付，目标是设计一个机制，可优化测试损失、卖家隐私和支付的加权组合，即在多个感兴趣的目标之间找到平衡。我们通过结合博弈论、统计学习理论和差分隐私的思想来解决该问题。买家的目标函数可以是高度非凸的。但是，我们证明，在问题参数的某些条件下，可以通过使用变量的变换使问题变为凸问题。当卖家数量变大时，我们还提供了描述买家的测试误差和支付的渐近结果。最后，我们通过将这些思想应用于真实的医疗数据集来进行验证。
logistic regressionprivacy-sensitive sellersincentivized paymentsgame theorydifferential privacy
发现论文，激发创造
  • 真实线性回归

    研究了如何在保护隐私的前提下，通过采用不同隐私保护机制和支付方案，解决线性模型和差分隐私计算会带来估计偏差的问题。

    Jun, 2015

  • 惩罚约束似然的差分隐私模型选择

    本文主要研究如何将差分隐私的保护机制融入多元线性回归建模中，并提出了一种基于惩罚最小二乘估计和随机化的算法来实现此目标，该算法在最优化时更加敏感于参数的选择，但保证了与非差分隐私的程序同样的一致性。

    Jul, 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

  • 拉格朗日对偶方法实现差分隐私和公平深度学习

    这篇论文研究了如何使用差分隐私和拉格朗日对偶的方法来设计神经网络，以确保在预测中不出现性别、种族或年龄等偏见，同时保护个人敏感信息，对于保证准确性、隐私与公平之间的平衡关系问题进行了分析，并在多个预测任务上进行了实验验证。

    Sep, 2020

  • 利用梯度衍生的度量对不同 ially private 训练中的数据选择和估值进行优化

    研究了如何在严格保护隐私的情况下，利用梯度信息来选择有利于模型训练的数据，解决在协同训练深度学习模型中，难以区分出有用数据点的问题。

    May, 2023

  • 基于分布鲁棒优化的差分隐私

    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。

    Apr, 2023

  • 差分隐私简单线性回归

    通过使用差分隐私，我们在小型数据集的情况下训练针对经济研究的简单线性回归的算法，在不牺牲数据隐私的情况下获得较高的性能。

    Jul, 2020

  • 重访差分隐私回归：从学习理论中得到的经验教训及其影响

    通过差分隐私和稳定学习理论的显式连接，提出了一种更好的隐私 / 实用性权衡方法，以便为所有凸型 Lipschitz 有界学习任务获得更好的权衡，并将其应用在医疗数据上，以获得更准确的模型。但改进后的隐私机制使得不同隐私机制更容易受到模型反演攻击的影响。

    Dec, 2015

  • 私有协同机器学习中的激励机制

    通过差分隐私作为奖励，我们通过引入协作机器学习训练模型，对多个参与方的数据进行价值评估和奖励，并保护隐私风险。实证结果表明，我们的方法在合成和真实数据集上具有有效性和实用性。

    Apr, 2024

  • 在回归市场中数据相似性下的隐私感知数据获取

    数据市场通过去中心化数据交换来实现应用程序（例如预测、学习或推断）的目的。然而，相关研究通常忽视了数据相似性如何通过统计信息泄露影响定价和数据价值，我们提出了一个使用局部差分隐私的查询 - 响应协议，该协议用于双方数据获取机制的市场设计，进一步分析了数据相似性对市场参与和交换数据价值的影响。

    Dec, 2023