基于局部敏感量化的快速私有核密度估计
数据结构与算法
2023-07-06 v1 机器学习
摘要
我们研究差分私有核密度估计（DP-KDE）的高效机制。先前针对高斯核的工作所描述的算法，其运行时间随维度 呈指数增长。本文打破了指数壁垒，展示了如何以关于 线性的时间 privately 近似 KDE，使其在高维数据上可行。我们还给出了低维数据的改进界。我们的结果通过一个通用框架获得，我们称之为局部敏感量化（LSQ），用于构造可应用现有 KDE 近似技术的私有 KDE 机制。它让我们能以黑盒方式利用若干高效的非私有 KDE 方法——如随机傅里叶特征、快速高斯变换和局部敏感哈希——并将其“私有化”。我们的实验表明，我们所得到的 DP-KDE 机制在高维和低维的大型数据集上均快速且准确。
引用
@article{arxiv.2307.01877,
title = {Fast Private Kernel Density Estimation via Locality Sensitive Quantization},
author = {Tal Wagner and Yonatan Naamad and Nina Mishra},
journal= {arXiv preprint arXiv:2307.01877},
year = {2023}
}
备注
ICML 2023