部分隐私特征的分类
机器学习
2023-12-14 v1 密码学与安全
摘要
在本文中，我们考虑当某些特征敏感而其余特征和标签不敏感时的差分隐私分类。我们自然地将差分隐私的定义适应于这种设置。我们的主要贡献是对AdaBoost的一种新颖改编，它不仅可证明是差分隐私的，而且在实验中显著优于一个自然基准，该基准假设个体的整个数据都是敏感的。作为一个令人惊讶的观察，我们表明提升随机生成的分类器足以实现高精度。我们的方法很容易适应所有特征都敏感的传统设置，为差分隐私线性分类提供了一种替代算法，其隐私证明更简单，并且在真实世界数据集上具有与差分隐私逻辑回归相当或更高的精度。
引用
@article{arxiv.2312.07583,
title = {Classification with Partially Private Features},
author = {Zeyu Shen and Anilesh Krishnaswamy and Janardhan Kulkarni and Kamesh Munagala},
journal= {arXiv preprint arXiv:2312.07583},
year = {2023}
}