差分隐私下基于信息论的后随机化方法
统计方法学
2020-09-24 v1 统计理论
统计理论
摘要
后随机化方法（PRAM）是最流行的针对分类数据和连续数据的披露限制技术之一。在分类情形下，给定随机矩阵 和指定变量，属于类别 的个体以概率 被更改为类别 。每种选择随机化矩阵 的方法都必须在两个期望之间取得平衡：1）尽可能保留原始数据的统计信息；2）保证数据集中个体的隐私。这一权衡通常被认为非常难以解决。在本文中，我们利用计算机科学文献中的近期工具，提出将 选为一个约束最大化问题的解。具体而言， 被选为约束最大化问题的解，其中在变换满足差分隐私概念的条件下，我们最大化原始数据与变换后数据之间的互信息。对于一般的分类模型，我们展示了该最大化问题可化简为凸线性规划，因此可用已知的优化算法求解。
引用
@article{arxiv.2009.11257,
title = {An Information Theoretic approach to Post Randomization Methods under Differential Privacy},
author = {Fadhel Ayed and Marco Battiston and Federico Camerlenghi},
journal= {arXiv preprint arXiv:2009.11257},
year = {2020}
}