面向精度优先机制的适应性隐私组合
密码学与安全
2023-12-07 v2 数据结构与算法
机器学习
摘要
在差分隐私的许多实际应用中，从业者力求在目标精度水平下提供最佳的隐私保证。Ligett等人（2017）和Whitehouse等人（2022）近期的一系列工作通过利用噪声削减的思想，在私有计算中向充分统计量添加相关噪声并产生一系列越来越精确的答案，从而开发了此类精度优先机制。噪声削减机制的一大优势是，分析者只需支付所发布的最少噪声或最准确答案的隐私代价。尽管这一孤立属性颇具吸引力，但关于如何将其与其他差分私有机制结合使用，尚未有系统性研究。一个根本挑战在于，噪声削减机制的隐私保证（必然）被表述为事后隐私（ex-post privacy），即将隐私损失界定为所发布结果的函数。此外，关于事后私有机制如何组合以追踪多个机制累积的隐私，至今尚无任何研究。我们开发了隐私过滤器[Rogers等人'16、Feldman和Zrnic'21，以及Whitehouse等人'22]，使分析者能够在差分私有与事后私有机制之间自适应切换，并满足整体的差分隐私保证。
引用
@article{arxiv.2306.13824,
title = {Adaptive Privacy Composition for Accuracy-first Mechanisms},
author = {Ryan Rogers and Gennady Samorodnitsky and Zhiwei Steven Wu and Aaditya Ramdas},
journal= {arXiv preprint arXiv:2306.13824},
year = {2023}
}