CURATE：扩展差分隐私因果图发现

因果图发现是估计表示数据集特征联合分布的底层概率图模型的过程。CGD 算法大致分为两类： 基于约束的算法（结果取决于条件独立性检验）， 基于评分的算法（结果取决于优化的评分函数）。由于观测数据的敏感特征容易发生隐私泄露，差分隐私已被采用以确保 CGD 中的用户隐私。在这种具有序列性质的估计过程中加入相同数量的噪声会影响算法的预测性能。由于基于约束的算法中初始的条件独立性检验和基于评分的算法中优化过程的后期迭代至关重要，它们需要更高的准确性和更低的噪声。基于这一关键观察，我们提出了 CURATE（CaUsal gRaph AdapTivE privacy），一个具有自适应隐私预算分配的 DP-CGD 框架。与在所有迭代中均匀分配隐私预算的现有 DP-CGD 算法不同，CURATE 允许自适应隐私预算分配，通过最小化错误概率（针对基于约束的算法）和最大化优化问题的迭代次数（针对基于评分的算法），同时保持累积泄露有界。为了验证我们的框架，我们在多个数据集上进行了全面的实验，并表明与现有的 DP-CGD 算法相比，CURATE 在隐私泄露更少的情况下实现了更高的效用。