本文提出了一种新型假设检验方法,能够应用于含有隐私保护的差分隐私数据,并且其偏置较小、效果较好,解决了传统差分隐私假设检验方法中的问题。
Nov, 2015
该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方,共提出了四种不同的算法,包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制,一种基于后验采样的机制以及一种最大后验概率机制,并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。
Dec, 2015
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
本论文利用差分隐私算法对分布式和流数据进行分析,通过学习全局数据模型并保障差分隐私,提出了三种分布式学习贝叶斯网络模型的新方法,并针对流数据中的用户密度估计问题,提供了用户级别的隐私保护算法和改进策略。
Jul, 2023
研究使用贝叶斯优化调整机器学习模型的超参数,探讨如何在发布最佳超参数和分类器准确度时保护隐私,并使用差分隐私和平滑性保证来对实验结果进行保密。
Jan, 2015
本文提出一种差分隐私变分推理方法,该方法基于双重随机变分推理,并通过剪辑和扰动梯度来加入差分隐私,并通过子采样来增加隐私保护的效率。该方法在强隐私保证下的准确性接近于非私密级别,是以前基于抽样方法的替代品的明显改进。
Oct, 2016
提出了第一个用于方差分析(ANOVA)的差分隐私算法,以保护个人隐私为前提,确保数据的汇总统计特征可供研究人员使用,同时实现有效的实验结果测量。
Nov, 2017
本文提出了一种新的用于保护数据隐私的方法,即使用贝叶斯推理本身提供对数据的私密访问,并利用后验采样来实现差分隐私和数据效用的平衡。同时,我们提出一般的差分隐私度量方法,使得适用范围更广泛,能够处理非 i.i.d 数据和非表格形式的数据集,并在套用路易斯界限法时得到更好的下界。
Jun, 2013
本文提出了 $eta$D-Bayes,一种从广义后验分布中采样的私有估计方法,旨在最小化模型与生成数据过程之间的 $eta$- 差异,并且为同等的隐私保护提供更精确的推断估计;通过对神经网络等复杂分类器和连续回归模型进行后验采样,同时也实现了相应的差分隐私估计。
使用 Laplace 机制对数据进行隐私保护的方法效率与非私有后验推断相同,可用于敏感军事记录的时间序列分析,并具有隐私预算的有效利用优势。
Mar, 2016