SoK：面向高维数据的差分隐私线性模型综述
机器学习
2024-04-02 v1 密码学与安全
机器学习
摘要
线性模型在数据科学中无处不在，但在高维情况下特别容易发生过拟合和数据记忆。为了保证训练数据的隐私，可以使用差分隐私。许多论文提出了针对高维差分隐私线性模型的优化技术，但这些方法之间缺乏系统的比较。我们通过提供对私有高维线性模型优化方法的全面综述来填补这一空白。对所有方法的实证测试表明，鲁棒且坐标优化的算法表现最佳，这可以为未来的研究提供参考。所有方法的实现代码已在线发布。
引用
@article{arxiv.2404.01141,
title = {SoK: A Review of Differentially Private Linear Models For High-Dimensional Data},
author = {Amol Khanna and Edward Raff and Nathan Inkawhich},
journal= {arXiv preprint arXiv:2404.01141},
year = {2024}
}
备注
21 pages, 7 figures. To be published at the 2nd IEEE Conference on Secure and Trustworthy Machine Learning (SaTML)