基于相关噪声的分布式差分隐私函数计算

机器学习的许多应用，例如人类健康研究，涉及处理私有或敏感信息。在多个站点持有数据且目标为跨所有数据集联合估计属性的场景中，隐私问题可能对协作造成显著障碍。差分隐私去中心化算法可提供强隐私保证。然而，当每个站点的数据集较小时，联合估计的精度可能较差。本文提出了一种新框架——相关辅助私有估计（CAPE），用于在诚实但好奇模型中设计具有更好精度保证的隐私保护去中心化算法。CAPE 可与函数机制结合用于统计和机器学习优化问题。我们提供了函数机制的更紧刻画，使得 CAPE 能在使用所有数据集的去中心化设定下达到与集中式算法相同的性能。在合成与真实数据集上的回归和神经网络问题的实证结果表明，差分隐私方法在许多感兴趣的场景中可与无隐私算法相竞争。