机器学习环境中基于差分隐私 M 带小波的机制

在后工业时代，数据科学与分析在数字数据隐私方面已变得至关重要。为可访问数据集建立隐私的不当方法可能泄露大量用户数据，即便攻击者仅拥有关于某用户的少量先验知识。许多研究者一直在开发高级隐私保护机制，在保留数据统计完整性的同时应用于机器学习。差分隐私的近期进展，如 Laplace 与 Privelet 机制，大幅降低了攻击者区分数据集中元素从而提取用户信息的概率。在本文中，我们利用离散 M 带小波变换开发了三种隐私保护机制，将噪声嵌入数据。前两种方法 (LS 和 LS+) 通过 Laplace-Sigmoid 分布添加噪声，该分布将 Laplace 分布值与 sigmoid 函数相乘，第三种方法利用伪量子隐写术将噪声嵌入数据。随后我们通过多种机器学习环境中的统计分析表明，我们的机制成功保留了差分隐私与可学习性。