参数递增的微分隐私广义 $\beta$-模型的渐近理论
统计理论
2020-04-28 v1 社会与信息网络
统计理论
摘要
对网络数据边权重的建模在分析中起关键作用，其揭示了个体间关系的程度。由于权重信息的多样性，以隐私保护方式共享这些数据已成为复杂挑战。本文考虑在非去噪过程中实现广义 -模型隐私与权重信息权衡的情形。在带离散 Laplace 机制的边差分隐私下，模型参数的估计方程所得的 Z-估计量被证明是一致且渐近正态分布的。给出模拟和真实数据示例以进一步支持理论结果。
引用
@article{arxiv.2002.12733,
title = {Asymptotic Theory for Differentially Private Generalized $\beta$-models with Parameters Increasing},
author = {Yifan Fan and Huiming Zhang and Ting Yan},
journal= {arXiv preprint arXiv:2002.12733},
year = {2020}
}
备注
32 pages, 11 figures, to appear in Statistics and Its Interface