具有差分隐私的流式次模最大化
机器学习
2022-10-27 v1 密码学与安全
数据结构与算法
机器学习
摘要
在本工作中，我们研究了在流式设置下私密地最大化次模函数的问题。当函数依赖于个体的私有数据时，在一般情形下私密地最大化次模函数已有大量研究。然而，当从目标函数的定义域中抽取的数据流规模庞大或到达极快时，必须在流式设置的约束下私密地优化目标函数。我们为该问题建立了基本的差分隐私基线，然后针对可分解次模函数这一特殊情形推导出了隐私与效用之间更好的权衡。当一个次模函数可以写成多个次模函数之和时，它是可分解的；当每个求和函数对一个个体的效用进行建模，且目标是研究整个群体的总效用时（如著名的组合公共项目问题），这种结构自然产生。最后，我们用实验验证补充了我们的理论分析。
引用
@article{arxiv.2210.14315,
title = {Streaming Submodular Maximization with Differential Privacy},
author = {Anamay Chaturvedi and Huy Lê Nguyen and Thy Nguyen},
journal= {arXiv preprint arXiv:2210.14315},
year = {2022}
}