基于平滑敏感度的差分隐私朴素贝叶斯分类器
密码学与安全
2021-07-20 v2 机器学习
摘要
随着用户数据收集的增加，保护个人隐私受到更多关注。差分隐私是一种保护个体的强概念。朴素贝叶斯是一种流行的机器学习算法，被用作许多任务的基线。在这项工作中，我们提供了一种差分隐私朴素贝叶斯分类器，其添加的噪声与其参数的平滑敏感度成比例。我们将我们的结果与Vaidya、Shafiq、Basu和Hong的方法进行了比较，他们将其噪声按参数的全局敏感度进行缩放。我们在真实世界数据集上的实验结果表明，在仍保持-差分隐私的同时，我们方法的准确率有显著提升。
引用
@article{arxiv.2003.13955,
title = {Differentially Private Naive Bayes Classifier using Smooth Sensitivity},
author = {Farzad Zafarani and Chris Clifton},
journal= {arXiv preprint arXiv:2003.13955},
year = {2021}
}
备注
14 Pages, PETS'21