面向稀疏分类学习的差分隐私方法

本文提出了凸与非凸稀疏分类方法的差分隐私版本。基于交替方向乘子法(ADMM)算法，我们将稀疏问题的求解转化为多步迭代过程，然后在稳定步骤中加入指数噪声以实现隐私保护。利用差分隐私的后处理保持性质，即使原问题不稳定，所提方法仍满足 $\epsilon-$差分隐私。此外，我们给出了差分隐私分类算法的理论隐私界。具体而言，我们算法的隐私界由算法迭代次数、隐私参数、损失函数参数、ADMM预选参数以及数据规模控制。最后我们将该框架应用于带 $L_1$ 正则化的逻辑回归与带 $L_{1/2}$ 正则化的逻辑回归。数值实验表明，我们的方法在敏感数据分析中既有效又高效。