减轻差分隐私合成数据中的统计偏差
机器学习
2022-05-23 v3 密码学与安全
机器学习
摘要
对隐私保护机器学习日益增长的兴趣催生了从非公开真实数据生成隐私合成数据的新的和演进的方法。然而，隐私保护机制可能会显著降低合成数据的效用，进而影响下游任务，如学习预测模型或推断。我们提出了几种使用私有化似然比的重加权策略，这些策略不仅能减轻下游估计量的统计偏差，而且对差分隐私生成模型具有普遍适用性。通过大规模实证评估，我们表明，私有重要性加权为合成数据的一般应用提供了简单且有效的隐私合规增强方法。
引用
@article{arxiv.2108.10934,
title = {Mitigating Statistical Bias within Differentially Private Synthetic Data},
author = {Sahra Ghalebikesabi and Harrison Wilde and Jack Jewson and Arnaud Doucet and Sebastian Vollmer and Chris Holmes},
journal= {arXiv preprint arXiv:2108.10934},
year = {2022}
}