局部差分隐私下的边际发布
数据库
2017-11-09 v1
摘要
许多分析与机器学习任务需要多维数据集上的边际统计信息，同时要对数据主体提供强隐私保证。这些统计信息的应用范围从发现数据中的相关性到拟合复杂的预测模型。在本文中，我们提供了一组在强局部差分隐私模型下实现边际统计的算法。我们证明了在每种方法下编译的边际准确性的首个紧理论界，进行了实证评估以确认这些界，并针对建模与相关测试等任务对它们进行了评估。我们的结果表明，基于输入的（局部）Fourier 变换发布信息优于直接基于（局部）边际的替代方案。
关键词
引用
@article{arxiv.1711.02952,
title = {Marginal Release Under Local Differential Privacy},
author = {Tejas Kulkarni and Graham Cormode and Divesh Srivastava},
journal= {arXiv preprint arXiv:1711.02952},
year = {2017}
}