使用集体图模型对无向图模型进行差分隐私学习
机器学习
2017-06-16 v1 密码学与安全
机器学习
摘要
我们研究了以差分隐私方式学习离散无向图模型的问题。我们表明，使用 Laplace 机制释放含噪充分统计量的方法在隐私性、效用性和实用性之间取得了良好的折中。直接“原样”使用含噪充分统计量的朴素学习算法优于通用的差分隐私学习算法。然而，它有三个局限性：忽略了关于数据生成过程的知识、理论基础不确定，以及表现出某些病态行为。我们开发了一种更具原则性的方法，应用集体图模型的形式体系，在期望最大化框架内对真实充分统计量进行推断。我们表明，在合成数据和作为案例研究的真实人类移动数据上，该方法均能比竞争方法学习到更好的模型。
引用
@article{arxiv.1706.04646,
title = {Differentially Private Learning of Undirected Graphical Models using Collective Graphical Models},
author = {Garrett Bernstein and Ryan McKenna and Tao Sun and Daniel Sheldon and Michael Hay and Gerome Miklau},
journal= {arXiv preprint arXiv:1706.04646},
year = {2017}
}
备注
Accepted to ICML 2017