迈向实用的差分隐私因果图发现
密码学与安全
2020-06-17 v1 机器学习
统计方法学
摘要
因果图发现指从纯观测数据中发现因果关系图的过程。像其他统计数据一样，因果图可能泄露数据集中参与者的敏感信息。本文提出一种差分隐私因果图发现算法 Priv-PC，与现有最优方法相比，其在效用与运行时间上均有改进。Priv-PC 的设计遵循一种称为筛选-检验（sieve-and-examine）的新范式，该范式使用少量隐私预算过滤掉“不显著”的查询，并利用剩余预算对“显著”查询获得高精度答案。我们还对条件独立性检验（包括条件 Kendall's tau 与条件 Spearman's rho）进行了首次敏感性分析。我们在 4 个公开数据集上评估 Priv-PC 并与现有最优方法比较。结果显示 Priv-PC 实现了 10.61 至 32.85 倍的加速并具备更优效用。
引用
@article{arxiv.2006.08598,
title = {Towards practical differentially private causal graph discovery},
author = {Lun Wang and Qi Pang and Dawn Song},
journal= {arXiv preprint arXiv:2006.08598},
year = {2020}
}