用于数据流的差分隐私集成分类器
机器学习
2021-12-10 v1 密码学与安全
机器学习
摘要
通过分类/回归从连续数据流中学习在许多领域都很普遍。在适应不断演变的数据特征（概念漂移）的同时保护数据所有者的隐私信息是一个开放性挑战。我们提出了一种解决此问题的差分隐私集成解决方案，具有两个显著特征：它允许在固定的隐私预算下进行无界次数的集成更新，以应对潜在无休止的数据流；并且它是模型无关的，即将任何预训练的差分隐私分类/回归模型视为黑盒。在真实世界和模拟数据集上，针对不同的隐私、概念漂移和数据分布设置，我们的方法优于竞争方法。
引用
@article{arxiv.2112.04640,
title = {Differentially Private Ensemble Classifiers for Data Streams},
author = {Lovedeep Gondara and Ke Wang and Ricardo Silva Carvalho},
journal= {arXiv preprint arXiv:2112.04640},
year = {2021}
}
备注
Accepted at WSDM 2022