基于Johnson-Lindenstrauss变换的私有查询发布
数据结构与算法
2022-08-17 v1 密码学与安全
机器学习
机器学习
摘要
我们引入一种基于Johnson-Lindenstrauss引理、以差分隐私发布统计查询答案的新方法。其核心思想是将查询答案随机投影到更低维空间，使得任意两个可行查询答案向量之间的距离被保留至一个加性误差内。随后我们使用简单的加噪机制回答投影后的查询，并将答案提升回原始维度。利用该方法，我们首次给出了在平均误差下针对大小为的论域上个查询工作负载具有最优最坏情况样本复杂度的纯差分隐私机制。作为其他应用，我们给出了首个具有最优样本复杂度的纯私有高效机制，用于计算有界高维分布的协方差，以及回答二维边缘查询。我们还表明，除去对误差的依赖性，我们机制的一个变体对每个给定查询工作负载几乎是最优的。
引用
@article{arxiv.2208.07410,
title = {Private Query Release via the Johnson-Lindenstrauss Transform},
author = {Aleksandar Nikolov},
journal= {arXiv preprint arXiv:2208.07410},
year = {2022}
}