隐私保护贝叶斯数据分析的理论与实践
机器学习
2016-06-10 v2 人工智能
密码学与安全
机器学习
摘要
贝叶斯推断在敏感数据的隐私保护分析方面大有前景，因为在某些条件下，后验采样自动保留差分隐私（一种数据隐私的算法概念）（Dimitrakakis et al., 2014; Wang et al., 2015）。虽然这种单后验样本（OPS）方法优雅地提供了“免费”隐私，但就渐近相对效率（ARE）而言，数据效率低下。我们证明，基于拉普拉斯机制（差分隐私的主力）的一个简单替代方案，在一般假设下与非私有后验推断具有相同的渐近效率。该技术还具有实际优势，包括为MCMC高效使用隐私预算。我们在来自阿富汗和伊拉克战争的Wikileaks组织披露的敏感军事记录的时间序列分析上展示了我们方法的实用性。
引用
@article{arxiv.1603.07294,
title = {On the Theory and Practice of Privacy-Preserving Bayesian Data Analysis},
author = {James Foulds and Joseph Geumlek and Max Welling and Kamalika Chaudhuri},
journal= {arXiv preprint arXiv:1603.07294},
year = {2016}
}
备注
Updated to match the accepted UAI version. Generalized the ARE result and included a more detailed proof. Improved some figures, etc