论用户级私有凸优化
机器学习
2023-05-09 v1 密码学与安全
摘要
我们引入了一种具有用户级差分隐私保证的随机凸优化（SCO）新机制。该机制的收敛速率与 Levy 等人（2021）和 Narayanan 等人（2022）的先前工作相似，但有两个重要改进。我们的机制不需要对损失函数作任何光滑性假设。此外，我们的界也是首批其中用户级隐私所需的最少用户数不依赖于维度、且仅对所需超额误差有对数依赖的界。新机制背后的主要思想是证明强凸损失的优化器具有低局部删除敏感性，以及一种针对具有低局部删除敏感性函数的输出扰动方法，这本身可能具有独立意义。
引用
@article{arxiv.2305.04912,
title = {On User-Level Private Convex Optimization},
author = {Badih Ghazi and Pritish Kamath and Ravi Kumar and Raghu Meka and Pasin Manurangsi and Chiyuan Zhang},
journal= {arXiv preprint arXiv:2305.04912},
year = {2023}
}