用于合成电力系统数据集的差分隐私算法
密码学与安全
2023-03-21 v1 数据结构与算法
机器学习
最优化与控制
摘要
尽管电力系统研究依赖于真实网络数据集的可用性，数据所有者（如系统运营商）因安全与隐私风险而不愿共享数据。为控制这些风险，我们开发了用于优化与机器学习数据集合成生成的隐私保护算法。算法以真实数据集为输入，输出其带噪声的合成版本，该版本在特定下游模型甚至大量此类模型上保持真实数据的准确性。我们使用差分隐私的拉普拉斯机制与指数机制控制隐私损失，并使用后处理凸优化保持数据准确性。我们将算法应用于生成合成网络参数与风电数据。
引用
@article{arxiv.2303.11079,
title = {Differentially Private Algorithms for Synthetic Power System Datasets},
author = {Vladimir Dvorkin and Audun Botterud},
journal= {arXiv preprint arXiv:2303.11079},
year = {2023}
}