中文

离散分布的差分隐私同一性与接近性检验

机器学习 2017-07-19 v1 数据结构与算法 信息论 math.IT 机器学习

摘要

我们研究了基于随机样本的离散总体上的同一性与接近性检验问题。我们的目标是开发高效的检验器,同时保证总体中个体的差分隐私。我们描述了一种方法,为这些问题提供样本高效的差分隐私检验器。我们的理论结果表明,存在私有的同一性和接近性检验器,其样本效率几乎与非私有对应方法相当。我们在合成数据上对我们的算法进行了实验评估。我们的实验表明,我们的私有检验器在样本量关于底层分布的域大小呈亚线性时,实现了较小的第一类和第二类错误。

关键词

引用

@article{arxiv.1707.05497,
  title  = {Differentially Private Identity and Closeness Testing of Discrete Distributions},
  author = {Maryam Aliakbarpour and Ilias Diakonikolas and Ronitt Rubinfeld},
  journal= {arXiv preprint arXiv:1707.05497},
  year   = {2017}
}

备注

Submitted, May 2017