Dec, 2023

Rényi Pufferfish隐私：一般性加性噪声机制及迭代的隐私增强

HTML
PDF
TL;DRPufferfish隐私是差分隐私的一种灵活泛化，允许对任意机密信息进行建模，并考虑到对手对数据的先前知识。我们引入了一种基于Rényi散度的Pufferfish变体，并展示它的应用拓展性。我们首先推广了Wasserstein机制，涵盖了各种噪声分布并提高了其效用。我们还对抗了对手的分布外攻击，并证明了压缩有噪声迭代的隐私放大结果，并展示了在私有凸优化中Pufferfish的第一个使用。我们的结果的一个公共要素是使用和扩展转移减少引理。
发现论文，激发创造
  • 相关数据的河豚隐私机制

    本文介绍了一种名为Pufferfish的通用差分隐私方法，并提供了Wasserstein机制来适用于任何Pufferfish框架以解决相关数据的隐私问题，同时也提供了计算效率更高的机制来解决某些实际问题，实验结果证明了这种方法在两个不同领域的合成和真实数据中提供了隐私和实用性。

    Mar, 2016

  • 迭代式隐私放大

    使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

    Aug, 2018

  • 高斯差分隐私

    本文提出$f$-差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的$f$-差分隐私的单参数家族，并通过数学证明和计算机实验了演示工具，进一步完善并解决了隐私数据分析的问题。

    May, 2019

  • 采样高斯机制的Rényi 差分隐私

    通过数值计算和密度提升实现了对SGM（Sampled Gaussian Mechanism）的精确计算，进一步探究了其隐私性质。

    Aug, 2019

  • 躲藏在克隆之中：洗牌隐私扩增的简单且几乎最优分析

    随机洗牌可显著提高局部随机化数据的差分隐私保证，我们提出了一种基于新方法的差分隐私算法，其具有渐近最优的依赖性，应用于洗牌模型中的频率估计，是简单且近乎最优的算法。

    Dec, 2020

  • 通过演变离散化实现更快的隐私账户

    本论文介绍了一个新算法，用于计算隐私随机变量的数字组成，可用于计算机制的组合的准确差分隐私参数。该算法可以在多项式对数(k)的时间和内存使用情况下自我组合机制k次。该方法不仅适用于子采样高斯机制等广泛机制的分析，还可扩展至组合同类别别不同机制的情况，并改进了运行时间和内存使用率。

    Jul, 2022

  • 量子河豚隐私：用于量子系统的灵活隐私框架

    本文提出了一个用于量子系统的通用隐私框架，称为量子河豚隐私（QPP），并探讨了其操作和性质，包括用于保护信息隐私，隐私核查和隐私保护机制的组合性。 QPP 更进一步的研究连接了量子公平性和其他的量子隐私保护方法。

    Jun, 2023

  • 矩阵机制的隐私放大

    该论文介绍了利用抽样来分析隐私放大的新算法MMCC，该算法在分析相关噪声时表现出了广泛的实用性，并在标准基准测试中显示出了显著的隐私效益提高。

    Oct, 2023

  • 通过 $f$-差分隐私统一增强混合机制的隐私边界

    该研究聚焦于利用f-DP改进随机初始化的洗牌模型和一次迭代的差分隐私梯度下降（DP-GD）算法的隐私界限，并得到了洗牌模型的交替函数的闭式表达式，同时研究了随机初始化对于DP-GD的隐私影响。

    Oct, 2023

  • 差分隐私的偏移插值

    这篇论文通过建立“迭代的隐私放大”现象的统一框架，改进了先前分析的方法，有效地量化了差分隐私算法的隐私泄露，并扩展到各种设置和概念中，进而在 strongly convex optimization 领域中实现了第一个精确的隐私分析。

    Mar, 2024