.png){kind=icon}
返回
VERSATILE DIFFERENTIALLY PRIVATE LEARNING FOR GENERAL LOSS FUNCTIONS
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOS2583.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文旨在提供一种通用的隐私保护发布机制，并提出一种统一的方法用于后续参数估计和统计推断。我们提出了一种基于零膨胀对称多元拉普拉斯（ZIL）噪声的隐私机制，该机制无需预先指定后续分析任务，允许在最小条件下使用一般的损失函数，对分析数量不加限制，并能适应在线场景中不断增长的数据量。我们推导了所提出的ZIL机制的权衡函数，以表征其隐私保护水平。此外，为形式化ZIL机制的局部差分隐私（LDP）属性，我们将经典的ε-LDP扩展到更一般的f-LDP框架。为解决仅需保护个体属性值的情况，我们提出了属性级差分隐私（ADP）及其局部版本。在M估计框架下，我们引入了一种新颖的双重随机（DR）校正损失用于ZIL机制，该损失在差分隐私约束下可产生一致且渐近正态的M估计量。所提出的方法计算效率高，且无需对噪声数据进行数值积分或微分。它适用于广泛的损失函数类，包括非光滑函数。对于光滑损失，还提出了两种替代估计量，并分析了其渐近性质。从估计效率角度，对这三种估计器的隐私成本进行了理论及数值评估。
Keyword:
Differential privacy
M-estimation
symmetric multivariate Laplace distribution
zero-inflated symmetric multivariate Laplace distribution
