关于差分隐私在线预测
机器学习
2023-03-01 v1 密码学与安全
数据结构与算法
摘要
在这项工作中，我们引入了一种联合差分隐私的交互式变体，以处理现有隐私定义显得过于受限的在线过程。我们研究了该定义的基本性质，并证明其满足（合适的变体）群体隐私、组合性与后处理性。随后我们在在线分类的基本设定中研究交互式联合隐私的代价。我们表明，任何（可能是非私有的）学习规则均可被有效转化为私有学习规则，且仅在错误界上带来多项式开销。这显示出与更具限制性的隐私概念（如 Golowich 和 Livni（2021）所研究的，其中仅知错误界上的双指数开销（经由信息论上界））的鲜明差异。
引用
@article{arxiv.2302.14099,
title = {On Differentially Private Online Predictions},
author = {Haim Kaplan and Yishay Mansour and Shay Moran and Kobbi Nissim and Uri Stemmer},
journal= {arXiv preprint arXiv:2302.14099},
year = {2023}
}