采样高斯机制的 Rényi 差分隐私
机器学习
2019-08-29 v1 密码学与安全
机器学习
摘要
采样高斯机制 (Sampled Gaussian Mechanism, SGM)——子采样与加性高斯噪声的组合——已成功应用于许多机器学习任务中。该机制出人意料的强大能力源于采样的隐私放大效应，即单次评估的隐私代价随采样率呈二次方递减，而非线性递减。表征 SGM 的精确隐私特性推动了差分隐私概念的几种松弛形式的发展。这项工作统一并填补了已发表的关于 SGM 的结果中的空白。我们描述了一种数值稳定的程序，用于精确计算 SGM 的 Rényi 差分隐私，并证明了一个几乎紧的（在一个小的常数因子内）闭式界。
关键词
引用
@article{arxiv.1908.10530,
title = {R\'enyi Differential Privacy of the Sampled Gaussian Mechanism},
author = {Ilya Mironov and Kunal Talwar and Li Zhang},
journal= {arXiv preprint arXiv:1908.10530},
year = {2019}
}
备注
14 pages