改进差分隐私线性学习器中目标扰动的隐私性与实用性
机器学习
2024-01-02 v1 密码学与安全
摘要
在隐私保护机器学习的领域中，差分隐私随机梯度下降（DP-SGD）在受欢迎程度和关注度上已超越目标扰动机制。尽管在通用性上无与伦比，但DP-SGD需要非平凡的隐私开销（用于私下调整模型超参数）以及对于简单模型（如线性回归和逻辑回归）可能过于庞大的计算复杂度。本文通过更严格的隐私分析和新的计算工具改进了目标扰动机制，使其在无约束凸广义线性问题上与DP-SGD竞争。
引用
@article{arxiv.2401.00583,
title = {Improving the Privacy and Practicality of Objective Perturbation for Differentially Private Linear Learners},
author = {Rachel Redberg and Antti Koskela and Yu-Xiang Wang},
journal= {arXiv preprint arXiv:2401.00583},
year = {2024}
}