面向经验性机器学习的差分隐私算法
机器学习
2014-11-24 v2
摘要
私有数据的一个重要用途是构建机器学习分类器。尽管关于差分隐私分类算法的文献日益增多，我们发现它们在实际应用中并不实用，原因有二。首先，现有的差分隐私分类器在真实世界数据集上提供的准确率较差。其次，目前尚无已知的差分隐私算法可用于在私有测试数据集上对私有分类器进行经验性评估。在本文中，我们开发了反映真实世界经验性机器学习工作流程的差分隐私算法。我们将私有分类器训练算法视为黑盒。我们提出了用于选择输入分类器特征的私有算法。尽管添加预处理步骤会消耗实际分类过程的部分隐私预算（从而可能使其噪声更大且准确率更低），但我们表明，我们的新颖预处理技术在三个真实世界数据集上显著提高了分类器准确率。我们还首次提出了在私有测试集上经验性构建接收者操作特征（ROC）曲线的私有算法。
引用
@article{arxiv.1411.5428,
title = {Differentially Private Algorithms for Empirical Machine Learning},
author = {Ben Stoddard and Yan Chen and Ashwin Machanavajjhala},
journal= {arXiv preprint arXiv:1411.5428},
year = {2014}
}