带公开特征的局部私有估计
机器学习
2025-02-12 v2 密码学与安全
机器学习
摘要
我们启动了关于局部差分隐私（LDP）学习中带公开特征的研究。我们定义了半特征 LDP，即某些特征为公开可用，而其余特征以及标签需在局部差分隐私保护下。 在半特征 LDP 下，我们展示了非参数回归的最小极限收敛率显著低于经典 LDP。随后我们提出了 HistOfTree，这一估计器充分利用了公开特征和私有特征中的信息。理论上，HistOfTree 达到最小极限最优收敛率。实证上，HistOfTree 在合成数据和真实数据上均表现优异。我们还探讨了用户可手动选择要保护特征的情形。在这种情况下，我们提出一个估计器和数据驱动的参数调优策略，得到类似的理论和实证结果。
关键词
引用
@article{arxiv.2405.13481,
title = {Locally Private Estimation with Public Features},
author = {Yuheng Ma and Ke Jia and Hanfang Yang},
journal= {arXiv preprint arXiv:2405.13481},
year = {2025}
}