用于多分位数发布的增强学习隐私算法
密码学与安全
2023-05-09 v2 人工智能
数据结构与算法
机器学习
机器学习
摘要
将差分隐私应用于敏感数据时，我们常可利用外部信息（如其他敏感数据、公共数据或人类先验）来提升性能。我们提议使用增强学习算法（或称带预测的算法）框架——该框架此前主要用于改善时间复杂度或竞争比——作为一种强有力的方式，来设计与分析能够利用此类外部信息提升效用的隐私保护方法。这一思路在重要的多分位数发布任务上得到具体化，我们推导出误差保证，其随预测质量的自然度量而缩放，同时（几乎）恢复了最先进的与预测无关的保证。我们的分析具有若干优势，包括对数据极少的假设、增加鲁棒性的自然方式，以及为两个从其他（潜在敏感的）数据学习预测的崭新“元”算法提供有用的替代损失。我们以在挑战性任务上的实验作结，表明跨一个或多个实例学习预测可在保持隐私的同时大幅降低误差。
引用
@article{arxiv.2210.11222,
title = {Learning-Augmented Private Algorithms for Multiple Quantile Release},
author = {Mikhail Khodak and Kareem Amin and Travis Dick and Sergei Vassilvitskii},
journal= {arXiv preprint arXiv:2210.11222},
year = {2023}
}
备注
To appear in ICML 2023