.png){kind=icon}
返回
Differentially Private Permutation Tests
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2610033.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，人们对敏感数据隐私的关注日益增长。为应对这些关注，差分隐私作为一种严格的隐私保护框架应运而生，并在学术界和工业界获得了广泛认可。尽管在私有数据分析方面取得了显著进展，但现有方法往往存在不实用或统计效率显著损失的问题。本文旨在通过引入差分隐私置换检验来缓解这些问题。所提出的框架将经典的非隐私置换检验扩展到隐私设置中，以严谨的方式保持有限样本有效性和差分隐私。所提检验的功效取决于检验统计量的选择，我们建立了关于一致性和非渐近一致功效的一般条件。为展示我们框架的实用性和实用性，我们专注于再生核基检验统计量，并引入差分隐私核检验用于两样本检验和独立性检验：dpMMD和dpHSIC。所提出的核检验易于实现，适用于各种类型的数据，并在不同的隐私制度下达到最小最大最优功效。我们的实证评估进一步强调了它们在各种合成和真实场景下的竞争性功效，强调了其实用价值。代码公开可用，以促进我们框架的实施。本文的补充材料可在网上获得，包括用于重现工作的材料的标准化描述。
Keyword:
Data privacy
Independence testing
Kernel methods
Two-sample testing
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
.png){kind=icon}
分享收藏
Differential privacy in metric spaces: Numerical, categorical and functional data under the one roof
OAAI
OAAI分享收藏
查看更多内容