差分隐私中的近实例最优性
密码学与安全
2020-05-22 v1 机器学习
机器学习
摘要
受经典统计理论启发，我们发展了差分隐私中两种实例最优性概念：一种通过定义局部极小极大风险，另一种通过考虑无偏机制并类比 Cramer-Rao 界，并且我们表明所关注估计量的局部连续性模完全决定了这些量。我们还发展了一类互补的集合机制，称之为逆敏感度机制（inverse sensitivity mechanisms），其对于一大类估计量是实例最优（或近实例最优）的。此外，这些机制在若干感兴趣的函数类（包括实值连续函数）上于每个实例均一致优于平滑敏感度框架。我们细致地给出了针对中位数与鲁棒回归估计的两种机制实例化及相应实验。
引用
@article{arxiv.2005.10630,
title = {Near Instance-Optimality in Differential Privacy},
author = {Hilal Asi and John C. Duchi},
journal= {arXiv preprint arXiv:2005.10630},
year = {2020}
}