面向带标签差分隐私回归的最优无偏随机化器
机器学习
2023-12-12 v1 密码学与安全
摘要
我们提出了一种新的标签随机化器族，用于在标签差分隐私（DP）约束下训练回归模型。特别地，我们利用偏差与方差之间的权衡，基于标签的私有估计先验分布，构建了更好的标签随机化器。我们证明了这些随机化器在多个数据集上实现了最先进的隐私-效用权衡，突出了在使用标签 DP 训练神经网络时减少偏差的重要性。我们还提供了理论结果，阐明了最优无偏随机化器的结构性质。
引用
@article{arxiv.2312.05659,
title = {Optimal Unbiased Randomizers for Regression with Label Differential Privacy},
author = {Ashwinkumar Badanidiyuru and Badih Ghazi and Pritish Kamath and Ravi Kumar and Ethan Leeman and Pasin Manurangsi and Avinash V Varadarajan and Chiyuan Zhang},
journal= {arXiv preprint arXiv:2312.05659},
year = {2023}
}
备注
Proceedings version to appear at NeurIPS 2023