基于光滑灵敏度的差分隐私选择
机器学习
2025-04-16 v1 密码学与安全
数据库
摘要
差分隐私选择机制为旨在基于数据依赖效用函数从有限集合 中识别得分最高元素 的查询提供强隐私保障。尽管选择查询在数据科学中具有基本地位，但鲜有机制有效确保其隐私。此外，大多数方法依赖全局灵敏度以实现差分隐私（DP），这可能引入过多噪声并损害下游推断。为此，我们提出了基于光滑灵敏度的平滑噪声最大值（SNM）机制，其可证明地比基于全局灵敏度的方法在预期误差上具有更紧的上界。实证结果表明，SNM 在三项应用中（百分位选择、贪心决策树和随机森林）的准确性优于最新的差分隐私选择方法。
引用
@article{arxiv.2504.08086,
title = {Differentially Private Selection using Smooth Sensitivity},
author = {Iago Chaves and Victor Farias and Amanda Perez and Diego Mesquita and Javam Machado},
journal= {arXiv preprint arXiv:2504.08086},
year = {2025}
}
备注
This is the full version of our paper "Differentially Private Selection using Smooth Sensitivity", which will appear in IEEE Security & Privacy 2025 as a regular research paper