基于局部非负性的高效私有边际重构

差分隐私是形式化和可量化隐私的主导标准，已在影响数百万人的重大部署中使用。许多差分隐私查询释放和合成数据算法包含从已私有测量的其他查询答案中重构答案的步骤。重构是此类机制的重要子问题，可节省隐私预算、最小化重构答案的误差，并允许扩展到高维数据集。在本文中，我们引入了一种原则且高效的后处理方法ReM（残差转边际），用于重构边际查询的答案。我们的方法基于最近用于边际查询释放的高效机制，采用允许高效伪逆的残差查询基，这一技术是重构中重要的基本原语。一种扩展方法GReM-LNN（带局部非负性的高斯残差转边际）在满足一致性和非负性条件下重构边际，这通常会减少重构答案的误差。我们通过应用于改进现有私有查询答复机制来展示ReM和GReM-LNN的实用性。