Oct, 2023

差异私有置换检验：在核方法中的应用

HTML
PDF
TL;DR提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD和dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小-最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。
发现论文，激发创造
  • Priv'IT：私密且样本高效的身份验证

    本研究利用差分隐私方法进行小样本假设检验，以得出隐私参数、准确性参数和错误要求等信息，实现在保证样本大小和错误率时的差分隐私保护

    Mar, 2017

  • 离散分布身份和接近性的差分隐私测试

    该研究提供了关于差分隐私下k个元素分布的标识检测和接近度检验的上下界。他们提出了一般框架以建立隐私统计任务的样本复杂度的下界，同时通过构建精心选择的先验概率来证明隐私算法的下界。

    Jul, 2017

  • 离散分布的差分隐私身份和相似性测试

    研究了利用随机样本对离散人群进行身份和相似度测试的问题，目标是开发出高效的测试器，并保证对个人的差异性隐私，提出了一种新的方法，可以产生样本有效的差异私有测试器用于解决这些问题，实验评估证明了我们的方案能够实现与非隐私测试器几乎相同的测试效率，同时达到了样本规模亚线性的领域大小下限。

    Jul, 2017

  • 差分隐私假发现率控制

    该论文提出了第一个控制多重假设检验中的假阳性发现率的差分隐私程序，该程序基于Benjamini-Hochberg程序，并开发了一种新技术来证明一类多重检验过程的FDR控制。

    Jul, 2018

  • 假设检验解释和Renyi差分隐私

    本篇论文通过对差分隐私与统计假设检验的类比说明，探讨了一些满足以统计差异度量形式给出的隐私定义条件。研究发现这些条件有助于分析差异度量的可分辨性，并基于 Renyi 差异分析了差分隐私的一些扩展定义，并提出了改进的转换规则。

    May, 2019

  • 在审计差分隐私机器学习中释放随机化的力量

    提出了一种基于Canaries的方法，通过扩展差分隐私定义来处理随机数据集，设计随机Canaries，然后采用Lifted Differential Privacy来审计，引入新的置信区间，能够显著提高样本复杂性，这一新方案在合成和实际数据上得到了验证。

    May, 2023

  • 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

  • 数据损坏下的鲁棒核假设检验

    提出了两种构建在数据损坏下鲁棒的排列检验的方法，能有效控制非渐近型I型错误，并证明在最小条件下的功效一致性，在实际应用中有助于假设检验的部署，特别适用于可能的对抗攻击。其中一种方法具有差分隐私，并进一步扩大了其在私有数据分析中的适用性。对于双样本和独立性设置，我们展示了我们的核鲁棒检验是极小化准则下的最佳，意味着它们在某些最佳速率下（紧密匹配下界）能保证非渐近地对抗空值在核MMD和HSIC度量下的备择假设有力。最后，我们提供了可公开访问的实现，并实证了我们提出测试的实用性。

    May, 2024

  • 从统计学角度看差分隐私：假设检验、表征与布莱克韦尔定理

    本研究解决了差分隐私作为一种统计概念的理解和应用的不足，提出了通过假设检验的视角重新定义差分隐私的必要性。文章引入了$f$-差分隐私的概念，并通过表征定理扩展了现有的差分隐私定义，提供了一个统一的框架用于分析数据分析和机器学习中的隐私界限。研究发现，这种框架在私有深度学习和其他应用中显示出相较于现有方法的显著优势。

    Sep, 2024

  • 局部差分隐私下的最小最大最优两样本检验

    本研究解决了在局部差分隐私(LDP)条件下，隐私与统计效用之间的权衡，提出了针对多项式和连续数据的私密排列检验方法。我们发现，提出的方法能够严格控制类型I错误，并在LDP约束下达到最小最大分离率，揭示了私密检验中隐私与效用之间的固有权衡。

    Nov, 2024