函数与函数型数据的差分隐私
机器学习
2012-03-13 v1 机器学习
摘要
差分隐私是一种私下发布数据库摘要的框架。先前的工作主要集中在输出为有限维向量或离散集元素的方法上。我们开发了在保持差分隐私的同时发布函数的方法。具体来说，我们证明向感兴趣的函数添加适当的高斯过程可以实现差分隐私。当函数与高斯过程位于相同的RKHS中时，通过测量函数在RKHS范数下的“敏感度”来确定正确的噪声水平。作为例子，我们考虑了核密度估计、核支持向量机以及再生核希尔伯特空间中的函数。
引用
@article{arxiv.1203.2570,
title = {Differential Privacy for Functions and Functional Data},
author = {Rob Hall and Alessandro Rinaldo and Larry Wasserman},
journal= {arXiv preprint arXiv:1203.2570},
year = {2012}
}