本地差分隐私下高维数据收集的表示学习
机器学习
2022-05-17 v3 机器学习
摘要
个体数据的收集在许多行业已变得司空见惯。本地差分隐私（LDP）提供了一种保护隐私的严格方法，即个体在本地对其数据进行私有化处理，仅允许其扰动后的数据离开其掌控。因此，LDP 为个体提供了针对敌手和数据库管理员的可知隐私保证。现有 LDP 机制已成功应用于低维数据，但在高维情况下，引发隐私的噪声会大幅破坏数据的效用。本工作中，我们的贡献有两点：首先，通过改编表示学习中的前沿技术，我们引入了一种学习 LDP 机制的新方法。这些机制将噪声添加到数据底层低维流形上的强大表示中，从而克服了高维下 LDP prohibitive 的噪声需求。其次，我们引入了一种用于下游模型学习的新型去噪方法。利用收集的 LDP 数据训练高性能机器学习模型是数据收集者的共同目标，而下游模型性能构成了 LDP 数据效用的代理指标。我们的方法显著优于当前最先进的 LDP 机制。
引用
@article{arxiv.2010.12464,
title = {Representation Learning for High-Dimensional Data Collection under Local Differential Privacy},
author = {Alex Mansbridge and Gregory Barbour and Davide Piras and Michael Murray and Christopher Frye and Ilya Feige and David Barber},
journal= {arXiv preprint arXiv:2010.12464},
year = {2022}
}