通过差分隐私测量统计异质性实现鲁棒的联邦分析

统计异质性是衡量数据集样本偏斜程度的指标。在差分隐私研究中，使用统计异质性数据集会导致显著的精度损失，这是一个常见问题。在联邦场景中，统计异质性更易发生，因此上述问题更加紧迫。我们探索了测量统计异质性的三种最有前景的方法，在同时纳入差分隐私的前提下给出了它们的精度公式。我们通过解析机制找到了最优隐私参数，该机制结合了求根方法。我们在实验中验证了主要定理和相关假设，并测试了解析机制对不同异质性水平的鲁棒性。在分布式设置中，解析机制的精度优于所有涉及经典机制和/或集中式设置的组合。当使用异质样本时，所有统计异质性度量都不会显著损失精度。