鲁棒且差分隐私的均值估计
机器学习
2021-11-25 v2 密码学与安全
信息论
math.IT
机器学习
摘要
在来自共享数据的统计学习与分析中（如联邦学习和元学习等平台日益广泛采用的那样），存在两大主要关切：隐私与鲁棒性。每个参与的个体都应能够做出贡献，而不必担心泄露自身敏感信息。同时，系统应在存在插入 corrupted 数据的恶意参与者时保持鲁棒。近期从共享数据学习的算法进展仅关注这两种威胁之一，使系统易受另一种威胁的攻击。我们针对从i.i.d.样本中估计均值的典型问题弥补了这一差距。我们引入了PRIME，这是首个针对广泛分布同时实现隐私与鲁棒性的高效算法。我们进一步以一种新的指数时间算法补充该结果，该算法改善了PRIME的样本复杂度，实现了近最优保证并匹配了（非鲁棒）私有均值估计的已知下界。这证明了同时保证隐私与鲁棒性无需额外的统计代价。
引用
@article{arxiv.2102.09159,
title = {Robust and Differentially Private Mean Estimation},
author = {Xiyang Liu and Weihao Kong and Sham Kakade and Sewoong Oh},
journal= {arXiv preprint arXiv:2102.09159},
year = {2021}
}
备注
58 pages, 2 figures, both exponential time and efficient algorithms no longer require a known bound on the true mean