ABCDP：带差分隐私的近似贝叶斯计算
机器学习
2021-02-10 v3 机器学习
摘要
我们提出了一种新颖的近似贝叶斯计算（ABC）框架 ABCDP，该框架可生成差分隐私（DP）的近似后验样本。我们的框架利用了差分隐私文献中广泛研究的稀疏向量技术（SVT）。SVT 仅在某个条件（感兴趣的某个量是否高于/低于阈值）被满足时才产生隐私代价。如果该条件在重复查询中很少被满足，与每次查询都产生隐私代价的通常情况不同，SVT 可以大幅降低累积隐私损失。在 ABC 中，感兴趣的量是观测数据与模拟数据之间的距离，仅当该距离低于阈值时，我们才将相应的先验样本作为后验样本。因此，将 SVT 应用于 ABC 是一种以最小修改将 ABC 算法转化为隐私保护变体的自然方式，同时能产出具有高隐私水平的后验样本。我们从理论上分析了为隐私所加噪声与后验样本准确性之间的相互作用。
引用
@article{arxiv.1910.05103,
title = {ABCDP: Approximate Bayesian Computation with Differential Privacy},
author = {Mijung Park and Margarita Vinaroz and Wittawat Jitkrittum},
journal= {arXiv preprint arXiv:1910.05103},
year = {2021}
}