利用最优传输和粒子梯度下降的隐私保护数据发布
机器学习
2024-07-30 v3 密码学与安全
摘要
我们提出了一种用于受保护表格数据集差分隐私数据合成的新方法，这在医疗保健和政府等高度敏感领域是一项相关任务。当前最先进的方法主要使用基于边缘分布的方法，即从边缘分布的私有估计中生成数据集。在本文中，我们介绍了PrivPGD，这是一种基于边缘分布的私有数据合成新生成方法，利用了最优传输和粒子梯度下降的工具。我们的算法在广泛的数据集上优于现有方法，同时具有高度可扩展性，并提供了整合额外领域特定约束的灵活性。
引用
@article{arxiv.2401.17823,
title = {Privacy-preserving data release leveraging optimal transport and particle gradient descent},
author = {Konstantin Donhauser and Javier Abad and Neha Hulkund and Fanny Yang},
journal= {arXiv preprint arXiv:2401.17823},
year = {2024}
}
备注
Published at the Forty-first International Conference on Machine Learning