公共数据与私有数据的结合
机器学习
2021-11-02 v1 密码学与安全
机器学习
摘要
差分隐私被广泛采用以为数据分析提供可证明的隐私保证。我们考虑结合公共与私有数据(更一般地,具有异质隐私需求的数据)以估计聚合统计量的问题。我们引入一种经优化以最小化方差的均值混合估计量。我们认为,相较通过按用户隐私需求比例对数据子采样来保障个体隐私的技术,我们的机制更优。类似地,我们给出基于指数机制的混合中位数估计量。我们将自身机制与Jorgensen等人[2015]提出的方法比较。我们的实验提供了经验证据:我们的机制常优于基线方法。
引用
@article{arxiv.2111.00115,
title = {Combining Public and Private Data},
author = {Cecilia Ferrando and Jennifer Gillenwater and Alex Kulesza},
journal= {arXiv preprint arXiv:2111.00115},
year = {2021}
}