利用核量子 Rényi 散度在高维中审计差分隐私
机器学习
2022-05-30 v1 密码学与安全
信息论
math.IT
机器学习
摘要
差分隐私（DP）是私有数据发布与私有机器学习的实际标准。审计黑盒 DP 算法与机制以认证其是否满足某一 DP 保证是具有挑战性的，尤其在高维情形。我们基于概率分布上的新散度：核 Rényi 散度及其正则化版本，提出了差分隐私的松弛定义。我们表明正则化核 Rényi 散度即便在高维也可从样本估计，从而给出针对 -DP、-DP 与 -Rényi DP 的审计过程。
引用
@article{arxiv.2205.13941,
title = {Auditing Differential Privacy in High Dimensions with the Kernel Quantum R\'enyi Divergence},
author = {Carles Domingo-Enrich and Youssef Mroueh},
journal= {arXiv preprint arXiv:2205.13941},
year = {2022}
}
备注
Code at https://github.com/CDEnrich/kernel_renyi_dp