差分隐私最大信息系数
密码学与安全
2022-06-23 v1 信息论
机器学习
math.IT
统计方法学
摘要
最大信息系数（MIC）是一种用于识别变量间依赖关系的强大统计量。然而，它可能被应用于敏感数据，发布该系数可能会泄露隐私信息。作为解决方案，我们提出了以差分隐私方式近似 MIC 的算法。我们表明，经典 Laplace 机制的直接应用精度不足。因此，我们引入了 MICr 统计量，这是一种与差分隐私更兼容的新型 MIC 近似。我们证明 MICr 是 MIC 的一致估计量，并提供了它的两个差分隐私版本。我们在多种真实和合成数据集上进行了实验。结果表明，私有 MICr 统计量显著优于 Laplace 机制的直接应用。此外，在真实世界数据集上的实验表明，当样本量至少中等大时，其精度是可用的。
引用
@article{arxiv.2206.10685,
title = {Differentially Private Maximal Information Coefficients},
author = {John Lazarsfeld and Aaron Johnson and Emmanuel Adeniran},
journal= {arXiv preprint arXiv:2206.10685},
year = {2022}
}
备注
38 pages, to appear in ICML 2022