首页/论文/0904.0942

arXiv 0904.09422009-04cs.DBcs.CR

通过一致性提高差异私有直方图的准确性

Boosting the Accuracy of Differentially-Private Histograms Through Consistency

Michael Hay, Vibhor Rastogi, Gerome Miklau, Dan Suciu

备注：: 15 pages, 7 figures, minor revisions to previous version

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们表明，它是可以显着提高的准确性，同时满足差分隐私的直方图查询的一般类。我们的方法仔细选择了一组查询进行评估，然后利用一致性约束，应该保持在嘈杂的输出。在后处理阶段，我们计算最有可能产生噪声输出的一致输入。最终的输出是差分私有的和一致的，但除此之外，它通常更准确。我们表明，理论和实验，这些技术可以用来估计度序列的图非常精确，并计算直方图，可以支持任意范围的查询准确。

英文摘要：

We show that it is possible to significantly improve the accuracy of a general class of histogram queries while satisfying differential privacy. Our approach carefully chooses a set of queries to evaluate, and then exploits consistency constraints that should hold over the noisy output. In a post-processing phase, we compute the consistent input most likely to have produced the noisy output. The final output is differentially-private and consistent, but in addition, it is often much more accurate. We show, both theoretically and experimentally, that these techniques can be used for estimating the degree sequence of a graph very precisely, and for computing a histogram that can support arbitrary range queries accurately.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

空间直方图的端到端差分私有参数调整

End-to-End Differentially-Private Parameter Tuning in Spatial Histograms

差分隐私直方图已经成为位置隐私的关键工具。虽然过去的机制包括理论和实验分析，但最近观察到，现有文献中的大部分都没有完全提供差分隐私。缺少的组件，私有参数调优，是严格评估这些机制所必需的。相反，它经常调整训练数据来优化参数，而不考虑隐私;在其他情况下，选择是任意执行的，与数据无关，降低了效用。我们解决这个开放的问题，得出一个原则性的调整机制，私下优化数据相关的误差范围。理论结果建立了隐私和实用性，而广泛的实验表明，我们实际上可以实现真正的端到端隐私。

2017-02-18cs.CRcs.DB

DPCube：通过多维划分的差异私有直方图发布

DPCube: Differentially Private Histogram Release through Multidimensional Partitioning

差分隐私是在隐私保护数据分析或发布中保护个人隐私的一个强有力的概念。在本文中，我们研究了问题的差异私人直方图释放随机工作负载。我们研究了两种多维划分策略，包括：1）用于释放等宽单元直方图的基于基线单元的划分策略，以及2）用于释放v-最优直方图的基于创新的2阶段kd树的划分策略。我们正式分析的实用程序发布的直方图和量化的错误回答线性查询，如计数查询。我们正式表征的输入数据，这将保证算法的最优性的属性。最后，我们实现和实验评估几个应用程序使用发布的直方图，包括计数查询，分类，并阻止记录链接，并显示我们的方法的好处。

2012-02-24cs.DB

差分私有分层计数直方图

Differentially Private Hierarchical Count-of-Counts Histograms

我们考虑的问题，私下释放一类查询，我们称之为分层计数计数直方图。计数的计数直方图将输入表的行划分为组（例如，同一家庭中的一组人），并且对于每个整数j报告大小为j的组的数目。分层计数中的计数查询按照在输入数据中的属性上定义的分层来报告不同粒度的计数中的计数直方图（例如，国家、州和县一级的家庭地理位置）。在本文中，我们介绍了这个问题，以及适当的错误指标，并提出了一个差分私有的解决方案，生成计数的计数直方图是一致的，在所有级别的层次结构。

2018-09-13cs.DB

SoK：追求准确性和隐私性，并在不同的私有直方图发布中捕获两者

SoK: Chasing Accuracy and Privacy, and Catching Both in Differentially Private Histogram Publication

直方图和合成数据在数据分析中是至关重要的。然而，研究人员已经表明，即使是直方图等聚合数据，不包含明显的敏感属性，也可能导致隐私泄露。为了实现数据分析，需要一个强有力的隐私概念，以避免意外侵犯隐私的风险。这种强烈的隐私概念是差分隐私，这是一种统计隐私概念，使隐私泄露可以量化。关于差分隐私的警告是，虽然它对隐私有很强的保证，但隐私是以准确性为代价的。尽管这种权衡是采用差分隐私的一个核心和重要问题，但在文献中关于提供对权衡的理解以及如何适当地解决它存在差距。通过系统的文献综述（SLR），我们调查的国家的最先进的准确性提高差异隐私算法的直方图和合成数据发布。我们的贡献是双重的：1）我们识别直方图和合成数据的差分隐私领域的贡献中的趋势和联系，以及2）我们通过将不同维度具体化以提高准确性来提供对隐私/准确性权衡挑战的理解。因此，我们将这些想法与彼此和外部工作相关联，并将其定位和可视化，并解构每个算法以分别检查构建块，目的是确定每个技术/方法的准确性改进目标。因此，这种知识的系统化（SoK）提供了对在哪些维度以及如何在不牺牲隐私的情况下追求准确性改进的理解。

2020-09-21cs.CRcs.DB

差分私有直方图的工程方法：效率超越效用

Engineering Methods for Differentially Private Histograms: Efficiency Beyond Utility

出版直方图与$ε$-差分隐私已被广泛研究的文献。现有的计划的目的是最大限度地提高公布的数据的效用，而以前的实验评估分析的隐私/效用权衡。在本文中，我们提供了第一个实验评估的差异私人的方法，超越实用程序，还强调另一个重要的方面，即效率。为此，我们首先注意到，所有现有的计划都是由一小部分公共块组成的。然后，我们优化并选择每个块的最佳实现，确定捕获整个文献的块的组合，并提出新的块组合。我们根据效率和效用的天际线，即，基于方法是否在两个方面都占主导地位。通过对四个具有不同特征的真实数据集进行详尽的实验，我们得出结论，在效用和效率方面总是存在权衡。我们证明了我们的新块组合的方案，为时间关键的应用程序提供了最佳的权衡。我们的工作可以作为一个指导，以帮助从业者工程师根据他们的应用程序的要求，不同的私人直方图计划。

2017-04-20cs.DB

HTF：用于位置数据的差异私有发布的同构树框架

HTF: Homogeneous Tree Framework for Differentially-Private Release of Location Data

使用位置数据的移动应用程序无处不在，跨越交通，城市规划和医疗保健等领域。位置数据的重要用例依赖于统计查询，例如，识别用户工作和旅行的热点。这样的查询可以通过构建直方图来有效地回答。然而，精确的直方图可能会暴露有关单个用户的敏感细节。差分隐私（DP）是一种成熟且被广泛采用的保护模型，但大多数DP兼容直方图的方法都以数据独立的方式工作，导致准确性差。少数提出的数据相关技术试图根据数据集的特性来调整直方图分区，但由于增加了实现DP所需的噪声，它们的性能并不好。我们将密度均匀性确定为驱动DP兼容直方图准确性的主要因素，并且我们构建了一个数据结构，该结构分割空间，使得每个分区内的数据密度均匀。我们通过对大规模真实数据的大量实验表明，与现有方法相比，所提出的方法具有更高的准确性。

2021-07-29cs.DB

更多相关论文收起更多论文

PrivTree：一个差分私有的层次分解算法

PrivTree: A Differentially Private Algorithm for Hierarchical Decompositions

给定一个定义在域Omega上的元组集合D，我们研究了差分私有算法，用于构造Omega上的直方图来近似D中的元组分布。针对该问题的现有解决方案大多采用分层分解方法，该方法递归地将Omega划分为子域，并为每个子域计算噪声元组计数，直到所有噪声计数低于某个阈值。然而，这种方法要求我们（i）在Ω的分裂中对递归深度施加限制h，以及（ii）将每个计数中的噪声设置为与h成比例。由于以下困境，这导致较差的数据效用：如果我们使用小的h，则所得直方图将过于粗粒度，无法提供数据分布的准确近似;同时，大的h将产生细粒度直方图，但其质量将因元组计数中增加的噪声量而严重降低。为了弥补现有解决方案的不足，我们提出了PrivTree，一种直方图构造算法，它也适用于分层分解，但具有关键（有点令人惊讶）的改进：当决定是否拆分子域时，相应元组计数所需的噪声量与递归深度无关。这使得PrivTree能够自适应地生成高质量的直方图，甚至不需要预先定义子域分割深度的阈值。作为具体的例子，我们展示了PrivTree在空间数据建模中的应用，并表明它也可以扩展到处理序列数据（其中子域分裂的决定不是基于元组计数，而是一个更复杂的措施）。我们在各种真实数据集上的实验表明，PrivTree在数据效用方面显着优于现有技术。

2016-01-15cs.DB

大规模差分隐私流处理

Differentially Private Stream Processing at Scale

该研究提出首个大规模差分隐私流聚合系统DP-SQLP，在算法与系统层面实现创新，经实验误差较基准降低至少16倍，已应用于Google Shopping与Google Trends。

2024-07-12cs.CRcs.DB

策略感知的差分隐私算法设计

Design of Policy-Aware Differentially Private Algorithms

研究了误差最优差分隐私算法的设计问题。将差分隐私应用于现实世界设置的最近工作已经使用了差分隐私的变体，其适当地修改了相邻数据库的概念。为这种差分隐私的变体设计误差最优算法的问题是开放的。在本文中，我们提出了一种新的转换等价的结果，可以把查询回答的问题下差分隐私与修改后的概念的邻居查询回答下标准的差分隐私，一个大类的邻居定义。我们利用Blowfish隐私框架，概括了差分隐私。Blowfish使用{\em policy graph}来实例化相邻数据库的不同概念。我们表明，在回答工作负载$\mathbf{W}$数据库$\mathbf{x}$根据河豚策略图$G$时所产生的错误是相同的，以回答转换工作负载$f_G(\mathbf{W})$数据库$g_G(\mathbf{x})$根据标准差分隐私，其中$f_G$和$g_G$是线性变换的基础上$G$。利用这一结果，我们开发的错误有效的算法释放直方图和多维范围查询不同的河豚政策。我们相信，我们开发的工具将有助于找到机制，以回答许多其他类别的查询，在其他政策图低错误。

2015-11-20cs.CRcs.DB

PE-means: 通过私有进化改进差分隐私 $k$-均值聚类

PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution

University of Waterloo（滑铁卢大学）；Microsoft Research（微软研究院）

针对欧几里得空间中差分隐私 $k$-均值聚类问题，提出PE-means算法，利用私有进化方法仅计算恒定敏感度的私有直方图，在聚类损失上平均比现有最优基线提升20%。

2026-07-03cs.CRcs.DBcs.LG

有界空间差分私有分位数

Bounded Space Differentially Private Quantiles

估计大数据集的分位数是流算法文献和差分隐私文献中的基本问题。然而，所有现有的用于分布无关分位数计算的私有机制都需要输入大小$n$中至少线性的空间。在这项工作中，我们设计了一个差分隐私算法的分位数估计问题，具有强次线性空间复杂度，在一次和连续观察设置。我们的基本机制估计任何$α$ -近似分位数的长度$n$流在数据宇宙$\mathcal{X}$概率$1-β$使用$O\left( \frac{\log (|\mathcal{X}|/β) \log (αεn)}{αε} \right)$空间，同时满足$ε$ -差分隐私在一个单一的时间点。我们的方法建立在确定性流算法的非私人分位数估计实例化的指数机制，使用的效用函数定义的草图项目，而（私人）从定义的间隔采样的草图。我们还提出了另一种算法的基础上直方图，特别适合于多个分位数的情况下。我们实现了我们的算法，并在合成和真实世界的数据集上进行了实验评估。

2022-01-10cs.CRcs.DBcs.DS

差分隐私非参数Copula：在隐私保证下使用非参数Copula生成合成数据

Differentially Private Non Parametric Copulas: Generating synthetic data with non parametric copulas under privacy guarantees

School of Applied Sciences and Engineering, Universidad EAFIT（应用科学与工程学院，埃法特大学）；Digital Health and Biomedical Technologies, Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)（数字健康与生物医学技术，维科姆科技基金会，巴斯克研究与技术联盟（BRTA））；eHealth Group, Biogipuzkoa Health Research Institute（eHealth组，比戈普西亚健康研究 institutes）

本文提出基于非参数Copula的差分隐私合成数据生成模型DPNPC，通过增强傅里叶扰动方法在混合表格数据库中保护隐私，实验表明其在多变量依赖建模、小$ε$值隐私保护和训练时间上优于其他模型。

2024-09-27cs.DBcs.LG