依赖数据的差分私有有向图模型参数学习
机器学习
2020-07-14 v3 机器学习
摘要
有向图模型（DGMs）是一类概率模型，广泛用于医疗诊断等敏感领域的预测分析。在本文中，我们提出了一种针对具有公开已知图结构且数据完全观测的DGM进行差分私有参数学习的算法。我们的解决方案优化了DGM上推断查询的效用，并添加针对私有输入数据集属性和DGM图结构定制的噪声。据我们所知，这是首个针对DGM的显式依赖数据的隐私预算分配算法。我们在一个多样化的DGM基准套件上将我们的算法与标准的数据无关方法进行比较，并证明我们的解决方案需要小3倍的隐私预算即可获得相同或更高的效用。
引用
@article{arxiv.1905.12813,
title = {Data-Dependent Differentially Private Parameter Learning for Directed Graphical Models},
author = {Amrita Roy Chowdhury and Theodoros Rekatsinas and Somesh Jha},
journal= {arXiv preprint arXiv:1905.12813},
year = {2020}
}