Instance-optimal Mean Estimation Under Differential Privacy
Instance-optimal Mean Estimation Under Differential Privacy
复制标题
差分隐私下的实例最优均值估计
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
K. Yi
中科院分区：
文献类型：
--
作者：
Ziyue Huang;Yuting Liang;K. Yi
差异隐私下的平均估计是一个基本问题，但是当全球敏感性非常大时，最佳的最佳机制并不能在实践中提供有意义的实用性。取而代之的是，已经提出了各种启发式方法，以减少不类似最坏情况实例的现实世界数据的错误。本文采用了一种原则性的方法，从而产生了一种实例最佳的机制。除了其理论最优性外，该机制也很简单且实用，并且可以适应各种数据特征，而无需参数调整。它也很容易扩展到本地和洗牌模型。
Mean estimation under differential privacy is a fundamental problem, but worst-case optimal mechanisms do not offer meaningful utility guarantees in practice when the global sensitivity is very large. Instead, various heuristics have been proposed to reduce the error on real-world data that do not resemble the worst-case instance. This paper takes a principled approach, yielding a mechanism that is instance-optimal in a strong sense. In addition to its theoretical optimality, the mechanism is also simple and practical, and adapts to a variety of data characteristics without the need of parameter tuning. It easily extends to the local and shuffle model as well.
通过近似逆敏感性机制实现差分隐私中的实例最优性
DOI：
--
发表时间：
2020
期刊：
Advances in neural information processing systems
影响因子：
--
作者：
Asi, Hilal;Duchi, John
通讯作者：
Duchi, John
DOI：
--
发表时间：
2018-05
期刊：
--
影响因子：
--
作者：
Gautam Kamath;Jerry Li;Vikrant Singhal;Jonathan Ullman
通讯作者：
Gautam Kamath;Jerry Li;Vikrant Singhal;Jonathan Ullman
影响因子：
6
作者：
Kume S;Nagasu H;Nangaku M;Nishiyama A;Nakamoto H;Kashihara N
通讯作者：
Kashihara N