Feb, 2024

具有相关输入扰动的差分隐私范围查询

PDF
TL;DR本研究提出了一种类别的局部差分隐私机制，用于线性查询（尤其是范围查询），利用相关输入扰动来同时实现无偏、一致、统计透明，并通过准确性目标（可以是特定查询间隔或由分层数据库结构表示）对效用要求进行控制。所提出的级联抽样算法精确且高效地实例化了该机制。我们的界限表明，我们在获得近乎最优效用的同时与输出扰动方法在经验上具有竞争力。
locally differentially private mechanismslinear queriesrange queriesinput perturbationcascade sampling algorithm
发现论文，激发创造
  • 差分隐私下，针对数据和工作负载的范围查询算法

    本论文介绍了一种新的算法，可在 ε 差分隐私下回答一组给定的范围查询，与竞争方法相比通常可以实现更低的误差。 我们的算法通过添加适应于输入数据和给定查询集的噪声来满足差分隐私，采用适合输入数据的方法对域进行划分并为每个桶估计计数以适应给定的查询集。由于算法的性能取决于输入数据库，因此我们在各种真实数据集上进行评估，表明我们可以在 “易” 和 “难” 数据库上实现数据依赖性的好处。

    Oct, 2014

  • 扰动和投影：差分隐私的相似性和边际

    重新审视了差分隐私的输入扰动框架，介绍了有效算法用于保护隐私的发布余弦相似度和计算多特征边际查询，扩展结果适用于稀疏数据集，提供理论视角解释快速输入扰动算法在实践中的良好表现。

    Jun, 2024

  • 差分隐私经验风险最小化与输入扰动

    提出了一种新的差分隐私 ERM 框架：输入扰动。在这种框架中，每个数据贡献者独立地对其数据进行随机化并将扰动数据提交给数据库。我们证明了该框架在一定条件下，确保了使用随机化数据学习到的模型最终满足差分隐私，同时确保本地差分隐私得到了保证。该方法也展示了有关模型的风险界限。

    Oct, 2017

  • 通过自适应投影实现差分隐私查询发布

    提出了一种新的算法，用于发布对包括 k 路边际在内的非常大量的统计查询回答，该算法采用连续松弛的投影机制，使其在隐私数据集上回答查询并尝试找到最接近噪声回答的合成数据集，并通过不断适应地发现在其（松弛的）合成数据上具有高误差的查询，以达到节省隐私预算的目的，通过使用 ML 优化技术和工具，该方法在许多情况下优于现有算法。

    Mar, 2021

  • 通过一致性提高差分隐私直方图的准确性

    我们展示了一种在保证差分隐私的前提下，可以显著提高一类常见直方图查询的准确性的方法。我们选择一组仔细设计的查询，利用能够满足噪声输出上的一致性约束。在后处理阶段，我们计算出最有可能产生噪声输出的一致性输入。最终输出是差分隐私和一致性的，并且通常更加准确。从理论和实验上都表明，这些技术可以被用于精确地估计图的度数序列并计算支持任意范围查询的直方图。

    Apr, 2009

  • 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

  • 具有相关噪声的差分隐私在线联邦学习

    我们提出了一种新颖的差分隐私算法，用于在线联合学习，通过使用时间相关的噪声来提高效用并确保连续发布的模型的隐私性。

    Mar, 2024

  • 差分隐私的几何学：稀疏和近似情况

    通过使用关联的高斯噪声和线性回归步骤，我们基于差分隐私机制的多项式对数组进行了矩阵突触连接和遗传差异，从而在线性查询的上下文中研究了准确性和隐私之间的权衡。

    Dec, 2012

  • 局部差分隐私下的线性查询估计

    研究使用局部差分隐私约束下的敏感数据集来估计一组关于一些未知分布的 $d$ 个线性查询的问题，提出了离线和自适应问题的新算法。

    Oct, 2018

  • 一种适应性机制，用于差分隐私下的准确查询回答

    提出了一种自适应机制来回答计数查询，结合了策略查询的差分隐私保证以实现误差降低，有效提高了查询效用。

    Feb, 2012