使用功能机制的差分隐私对数位置尺度回归
机器学习
2024-04-16 v1 密码学与安全
机器学习
应用统计
摘要
本文介绍了差分隐私对数位置尺度（DP-LLS）回归模型，该模型通过功能机制将差分隐私融入LLS回归。所提出的模型通过向LLS回归的对数似然函数注入噪声来估计扰动参数。我们将推导用于确定注入噪声幅度的灵敏度，并证明所提出的DP-LLS模型满足ε-差分隐私。此外，我们将进行模拟和案例研究以评估所提出模型的性能。研究结果表明，预测变量维度、训练样本量和隐私预算是影响所提出的DP-LLS回归模型性能的三个关键因素。此外，结果表明，需要足够大的训练数据集才能同时确保所提出模型的良好性能并达到令人满意的隐私保护水平。
引用
@article{arxiv.2404.08715,
title = {Differentially Private Log-Location-Scale Regression Using Functional Mechanism},
author = {Jiewen Sheng and Xiaolei Fang},
journal= {arXiv preprint arXiv:2404.08715},
year = {2024}
}