面向通用对称范数估计的私有数据流分析
数据结构与算法
2023-07-11 v1
摘要
我们研究如何在差分隐私约束下发布数据流的汇总统计。特别地,我们关注发布对称范数族,该范数族对输入数据流上的符号翻转和坐标置换保持不变,并将范数、-支撑范数、前-范数和盒范数作为特例包含在内。尽管可能为每个对称范数设计并分析单独的机制,我们提出一个通用的可参数化框架,以差分隐私方式发布若干充分统计量,从中可同时计算所有对称范数的近似值。我们的框架将底层频率向量的坐标按其大小划分到不同层级,并对重要层级中“重”坐标发布近似频率,对重要层级中“轻”坐标发布近似层级大小。令人惊讶的是,我们的机制允许发布任意数量的对称范数近似值而没有任何额外开销或隐私损失增加。此外,我们的机制允许对每个对称范数进行-近似,并可在流模型中对许多精度和隐私参数区间使用亚线性空间实现。
引用
@article{arxiv.2307.04249,
title = {Private Data Stream Analysis for Universal Symmetric Norm Estimation},
author = {Vladimir Braverman and Joel Manning and Zhiwei Steven Wu and Samson Zhou},
journal= {arXiv preprint arXiv:2307.04249},
year = {2023}
}