使用公共机制自适应地回答隐私线性查询
密码学与安全
2022-12-02 v1 数据库
机器学习
数值分析
数值分析
摘要
当通过隐私过滤器分析机密数据时，数据科学家通常需要决定哪些查询将最好地支持其预期分析。例如，分析师可能希望研究由机制 M1 生成的数据集中的噪声二维边际。但是，如果数据相对稀疏，分析师可能会选择检查由机制 M2 生成的噪声一维边际。由于使用 M1 还是 M2 的选择依赖于数据，典型的差分隐私工作流程是首先将隐私损失预算 rho 分为两部分：rho1 和 rho2，然后使用第一部分 rho1 确定使用哪种机制，并使用剩余的 rho2 从所选机制获取噪声答案。在某种意义上，第一步似乎是浪费的，因为它占用了原本可用于使查询答案更准确的隐私损失预算。在本文中，我们考虑是否可以在不浪费任何隐私损失预算的情况下执行 M1 和 M2 之间的选择。对于线性查询，我们提出了一种将 M1 和 M2 分解为三部分的方法：(1) 捕获其共享信息的机制 M*，(2) 捕获 M1 特有信息的机制 M1'，(3) 捕获 M2 特有信息的机制 M2'。同时运行 M* 和 M1' 完全等同于运行 M1（无论是在查询答案准确性还是总隐私代价 rho 方面）。类似地，同时运行 M* 和 M2' 完全等同于运行 M2。因为无论如何都会使用 M*，分析师可以使用其输出来决定随后是运行 M1'（从而重建由 M1 支持的分析）还是 M2'（重建由 M2 支持的分析），而不会浪费隐私损失预算。
引用
@article{arxiv.2212.00135,
title = {Answering Private Linear Queries Adaptively using the Common Mechanism},
author = {Yingtai Xiao and Guanhong Wang and Danfeng Zhang and Daniel Kifer},
journal= {arXiv preprint arXiv:2212.00135},
year = {2022}
}