基于贝叶斯坐标差分隐私的特征特定数据保护增强
机器学习
2024-10-25 v1 密码学与安全
机器学习
摘要
局部差分隐私 (LDP) 提供了无需信任外部方即可获得强隐私保障的优势。然而，LDP 对所有数据特征应用统一保护，包括较不敏感的特征，这会降低下游任务的性能。为克服这一限制，我们提出了一个贝叶斯框架，即贝叶斯坐标差分隐私 (BCDP)，以实现特征特定的隐私量化。这种更细致的方法补充了 LDP，通过根据每个特征的敏感性调整隐私保护，实现了在不妥协隐私的前提下提高下游任务的性能。我们刻画了 BCDP 的性质，阐明了其与标准非贝叶斯隐私框架之间的联系。我们进一步将 BCDP 框架应用于私有均值估计和普通最小二乘回归问题。BCDP 基于的方法在不妥协隐私的前提下，比纯粹基于 LDP 的方法获得了更好的准确性。
引用
@article{arxiv.2410.18404,
title = {Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy},
author = {Maryam Aliakbarpour and Syomantak Chaudhuri and Thomas A. Courtade and Alireza Fallah and Michael I. Jordan},
journal= {arXiv preprint arXiv:2410.18404},
year = {2024}
}