将差分隐私应用于张量补全
机器学习
2022-02-15 v4 密码学与安全
摘要
张量补全旨在基于部分观测的张量填补缺失或未观测的条目。然而，在许多实际场景中，观测张量的使用常引发严重的隐私担忧。为解决此问题，我们提出了一个坚实且统一的框架，包含多种将差分隐私应用于两种最广泛使用的张量分解方法的方法：i) CANDECOMP/PARAFAC（CP）和 ii) Tucker 分解。对于每种方法，我们建立了严格的隐私保证，同时评估了隐私-精度权衡。在合成和真实世界数据集上的实验表明，我们的方案在实现张量补全高精度的同时确保了强隐私保护。
引用
@article{arxiv.2110.00539,
title = {Applying Differential Privacy to Tensor Completion},
author = {Zheng Wei and Zhengpin Li and Xiaojun Mao and Jian Wang},
journal= {arXiv preprint arXiv:2110.00539},
year = {2022}
}
备注
We have fixed some format issues in the previous version. 17 pages, 4 figures