赢得NIST竞赛：一种可扩展且通用的差分隐私合成数据方法
密码学与安全
2021-08-12 v1
摘要
我们提出一种通用的差分隐私合成数据生成方法，包含三个步骤：（1）选择一组低维边际，（2）用加噪机制测量这些边际，（3）生成能良好保持被测边际的合成数据。该方法的核心是Private-PGM，一种用于从含噪边际测量中估计高维数据分布的后处理方法。我们提出两种机制NIST-MST和MST，它们是该通用方法的实例。NIST-MST是2018年NIST差分隐私合成数据竞赛的获胜机制，MST是一种新机制，可在更通用的设置下工作，同时性能与NIST-MST相当。我们相信我们的通用方法应具有广泛意义，并可在未来合成数据生成机制中被采用。
引用
@article{arxiv.2108.04978,
title = {Winning the NIST Contest: A scalable and general approach to differentially private synthetic data},
author = {Ryan McKenna and Gerome Miklau and Daniel Sheldon},
journal= {arXiv preprint arXiv:2108.04978},
year = {2021}
}
备注
22 pages