从差分隐私稀疏向量与噪声最大值机制中获取免费间隙信息
机器学习
2019-09-17 v3 密码学与安全
数据库
机器学习
摘要
噪声最大值（Noisy Max）与稀疏向量（Sparse Vector）是差分隐私的选择算法，并作为更复杂算法的构建模块。在本文中，我们表明这两种算法均可免费释放额外信息（即不带来额外的隐私代价）。噪声最大值用于返回一组查询中的近似最大值。我们表明它还可免费释放近似最大值与次大值之间的噪声间隙。该免费信息可将某些后续计数查询的准确率提高至多 50%。稀疏向量用于返回一组近似大于固定阈值的查询。我们表明它可自适应地控制其隐私预算（对可能远大于阈值的查询使用更少预算），以增加其可处理的查询数量。这些结果源于细致的隐私分析。
引用
@article{arxiv.1904.12773,
title = {Free Gap Information from the Differentially Private Sparse Vector and Noisy Max Mechanisms},
author = {Zeyu Ding and Yuxin Wang and Danfeng Zhang and Daniel Kifer},
journal= {arXiv preprint arXiv:1904.12773},
year = {2019}
}
备注
16 pages