改进差分隐私的高斯机制：解析标定与最优去噪
机器学习
2018-06-08 v2 机器学习
摘要
高斯机制是众多差分隐私数据分析算法中的基本构建模块。在本文中，我们重新审视高斯机制，并指出原始分析存在若干重要局限。我们的分析表明，原始机制的方差公式在高隐私 regime（ε → 0）下远非紧致，且无法推广到低隐私 regime（ε → ∞）。我们通过开发一种最优高斯机制来解决这些局限，该机制的方差直接使用高斯累积分布函数而非尾部界近似进行标定。我们还提出利用扰动分布已知这一条件，基于自适应估计技术为高斯机制配备一个后处理步骤。我们的实验表明，与经典高斯机制相比，解析标定至少消除了三分之一的噪声方差，且去噪显著提高了高维 regime 下高斯机制的精度。
引用
@article{arxiv.1805.06530,
title = {Improving the Gaussian Mechanism for Differential Privacy: Analytical Calibration and Optimal Denoising},
author = {Borja Balle and Yu-Xiang Wang},
journal= {arXiv preprint arXiv:1805.06530},
year = {2018}
}
备注
To appear at the 35th International Conference on Machine Learning (ICML), 2018