通过差分隐私获得高敏感度函数的集中界
机器学习
2017-03-07 v1
摘要
一系列新工作 [Dwork 等, STOC 2015]、[Hardt 和 Ullman, FOCS 2014]、[Steinke 和 Ullman, COLT 2015]、[Bassily 等, STOC 2016] 展示了差分隐私 [Dwork 等, TCC 2006] 如何被用作一种数学工具，以保证自适应数据分析中的泛化性。具体而言，如果对一个独立同分布样本 S 应用差分隐私分析以选择一个低敏感度函数 f，那么尽管 f 是基于数据选择的，f(S) 仍以高概率接近其期望。最近，Steinke 和 Ullman 观察到，这些泛化保证可用于在非自适应设定中证明集中界，其中低敏感度函数是预先固定的。特别地，他们为低敏感度函数的经典集中界（如 Chernoff 界和 McDiarmid 不等式）获得了替代性证明。在这项工作中，我们着手考察高敏感度函数的情况，对于这些函数，差分隐私在自适应分析下并不蕴含泛化保证。我们证明，差分隐私可用于在非自适应设定中证明此类函数的集中界。
引用
@article{arxiv.1703.01970,
title = {Concentration Bounds for High Sensitivity Functions Through Differential Privacy},
author = {Kobbi Nissim and Uri Stemmer},
journal= {arXiv preprint arXiv:1703.01970},
year = {2017}
}