一种差分隐私核双样本检验
机器学习
2018-08-02 v1 机器学习
摘要
核双样本检验是在不对分布施加任何参数假设下判定数据样本是否源于不同分布的有用统计工具。然而，原始数据样本可能暴露参与科学研究个体的敏感信息，使现有检验易受隐私泄露威胁。为此，我们设计了一种符合差分隐私约束的核双样本检验新框架，以保障数据中受试者的隐私。不同于现有简单向数据加噪的差分隐私参数检验，核检验因检验统计量对原始数据的复杂依赖而构成挑战——这些统计量对应于概率测度在希尔伯特空间中表示的间距估计。我们的方法考虑这些表示的有限维近似，从而得到简单的卡方检验，其统计量依赖于样本间经验差分的均值与协方差，我们对其扰动以实现隐私保证。我们在两种现实设定下考察了框架效用，结论为该方法仅需相对温和地增大样本量即可在两类设定中达到与非隐私检验相似的功效水平。
引用
@article{arxiv.1808.00380,
title = {A Differentially Private Kernel Two-Sample Test},
author = {Anant Raj and Ho Chung Leon Law and Dino Sejdinovic and Mijung Park},
journal= {arXiv preprint arXiv:1808.00380},
year = {2018}
}