FriendlyCore:实用差分隐私聚合

用于聚类或平均等常见度量聚合任务的差分隐私算法常因复杂性或所需数据点数过大而实用性有限。我们提出了一种简单实用的工具 $\mathsf{FriendlyCore}$,其以来自无限制(伪)度量空间的点集 ${\cal D}$ 作为输入。当 ${\cal D}$ 的有效直径为 $r$ 时,$\mathsf{FriendlyCore}$ 返回一个“稳定”子集 ${\cal C} \subseteq {\cal D}$,其包含除可能的少数离群点外的所有点,并被证明具有直径 $r$。$\mathsf{FriendlyCore}$ 可用于在隐私聚合前对输入进行预处理,从而潜在简化聚合或提升其精度。令人惊讶的是,$\mathsf{FriendlyCore}$ 轻量且无维度依赖。我们通过实验证明了其在提升均值估计与 $k$-means 和 $k$-GMM 等聚类任务精度方面的优势,优于专用方法。