基于平滑灵敏度的差分隐私主成分分析方法
机器学习
2020-03-03 v4
摘要
当前已知的用于该任务的方法要么采用计算密集的\emph{指数机制}，要么需要访问协方差矩阵，因此未能利用数据潜在的稀疏性。设计更简单高效的方法来完成该任务这一问题已在 \cite{kapralov2013differentially} 中作为开放问题提出。在本文中，我们通过采用输出扰动机制来解决此问题。尽管它可以说是最简单直接的技术，但由于发布主特征向量所带来的较大\emph{全局灵敏度}，它一直被忽视。我们通过采用\emph{平滑灵敏度}基于的方法来解决这一问题，该方法使我们能够在特征间隙假设下建立差分隐私（以最坏情况方式）和近最优的样本复杂度结果。我们考虑了纯差分隐私与近似差分隐私两种概念，并展示了隐私级别与样本复杂度之间的权衡。最后我们建议如何将我们的结果扩展到相关问题。
引用
@article{arxiv.1710.10556,
title = {Smooth Sensitivity Based Approach for Differentially Private Principal Component Analysis},
author = {Ran Gilad-Bachrach and Alon Gonen},
journal= {arXiv preprint arXiv:1710.10556},
year = {2020}
}