差分隐私简单线性回归
机器学习
2020-07-13 v1 密码学与安全
统计方法学
机器学习
摘要
经济学与社会科学研究常需在细粒度上分析敏感个人信息数据集，并以拟合到数据小子集的模型进行。遗憾的是，此类细粒度分析极易泄露敏感个体信息。我们研究满足差分隐私的简单线性回归算法，该约束保证算法输出即便面对掌握数据集任意侧信息的攻击者，也几乎不泄露任何个体输入数据记录。我们考虑针对小数据集（数十至数百个数据点）的差分隐私简单线性回归算法设计，这对差分隐私而言尤为挑战性 regime。聚焦于经济学研究中小区域分析的一个特定应用，我们研究了一系列适配该设定之算法的性能。我们辨识出影响其性能的关键因素，并通过系列实验表明：基于鲁棒估计量（特别是 Theil-Sen 估计量）的算法在最小数据集上表现良好，而其他更标准的算法随数据集规模增大表现更优。
引用
@article{arxiv.2007.05157,
title = {Differentially Private Simple Linear Regression},
author = {Daniel Alabi and Audra McMillan and Jayshree Sarathy and Adam Smith and Salil Vadhan},
journal= {arXiv preprint arXiv:2007.05157},
year = {2020}
}
备注
20 pages, 18 figures