M$^2$M：从差分隐私草图执行多种数据分析任务的通用方法
密码学与安全
2022-11-28 v1 机器学习
摘要
差分隐私是在敏感数据上执行分析的标准隐私定义。然而，其隐私预算限制了分析员能以合理精度执行的任务数量，这使得其在实际中难以部署。这可以通过私有草图来缓解，即将数据集压缩为单个带噪草图向量，与分析师共享并用于执行任意多次分析。然而，从草图执行特定任务的算法必须逐例开发，这是其使用的主要障碍。本文中，我们引入通用矩到矩（MM）方法，从单个私有草图执行广泛的数据探索任务。除其他外，该方法可用于估计属性的经验矩、协方差矩阵、计数查询（包括直方图）和回归模型。我们的方法将草图机制视为黑盒操作，因此可应用于文献中多种草图，拓宽其应用范围而无须进一步工程或隐私损失，并消除了在差分隐私下更广泛采用草图进行数据探索的一些技术障碍。我们用人工和真实世界数据上的数据探索任务验证我们的方法，并表明其可用于从私有草图可靠地估计统计量和训练分类模型。
引用
@article{arxiv.2211.14062,
title = {M$^2$M: A general method to perform various data analysis tasks from a differentially private sketch},
author = {Florimond Houssiau and Vincent Schellekens and Antoine Chatalic and Shreyas Kumar Annamraju and Yves-Alexandre de Montjoye},
journal= {arXiv preprint arXiv:2211.14062},
year = {2022}
}
备注
Published at the 18th International Workshop on Security and Trust Management (STM 2022)