Dec, 2023

在回归市场中数据相似性下的隐私感知数据获取

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 隐私与随机性平衡之际的差分隐私风险

    本文提出了一种基于风险概率的隐私保护机制，并使用凸性成本模型优化了这种机制的隐私级别和补偿预算，远远优于传统的高级组合方法。

    Mar, 2020

  • 差分隐私中的近似最优性

    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

  • 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

  • 固定价格数据市场中的均衡与学习：外部性

    该论文提出了一种模拟现实世界数据市场的模型，研究了买家之间存在的负向外部性问题，进而探讨了不同干预市场方式下的 Nash 均衡状态及社会福利最优的情况，并给出了一种适用于未知估值的在线学习算法。

    Feb, 2023

  • 数据市场的数据定价调查

    本文全面综述了现有数据定价研究的最新进展，通过建立新的数据定价分类方法——基于市场结构的分类，将现有研究归纳和总结，提取了具有代表性的关键属性，包括售卖方、购买方和双边市场中的隐私概念和查询类型，并探讨了现有研究中的缺陷和未来研究方向。

    Mar, 2023

  • 差分隐私在线商品定价

    本次研究讨论如何在无限供应的物品定价拍卖中最大化收益并保护买家隐私，提出了一种新算法，提供了不同隐私保证的指数权重元算法，对于收益函数的间断问题进行了缓解，其结构类似于指数机制，适用于买家分阶段进行竞标的情况，具有次线性的遗憾率。

    May, 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）

    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。

    Sep, 2023

  • 相似性为基础的隐私测量的不足：针对“真正匿名合成数据”的重构攻击

    通过评估数据的统计相似性来衡量隐私是不可靠和不一致的，而生成模型只应以差分隐私为标准以保护数据隐私。本文针对领先公司提供的隐私度量指标进行分析，揭示了一些关键的推理缺陷，并提出了成功恢复生成模型中绝大部分用于训练的异常记录的重构攻击 ReconSyn。研究表明，仅将差分隐私应用于模型或使用低效的生成器不能减轻 ReconSyn 对隐私的泄露风险，因为泄露主要来自于度量指标。总体而言，我们的工作提醒从业人员不要偏离既定的隐私保护机制。

    Dec, 2023

  • 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

  • 基于机会成本探索的数据交易链构建

    数据交易市场与传统市场的比较，重点在于数据的可复制性和隐私对数据交易的影响。研究了数据复制性对传统微观经济学中机会成本概念的基本改变，并探讨了如何在不损害数据隐私的情况下最大限度地利用这种变化。提出了在隐私领域链内数据流通的约束，并提供了一个在这些约束下最大化数据价值的模型。通过具体应用场景和实验，证明了该模型的可解性。

    Apr, 2024