通过高斯图模型进行私有自适应协方差估计
Private Adaptive Covariance Estimation via Gaussian Graphical Models
AI总结：
提出PACE-GGM，一种数据自适应的差分隐私协方差估计方法，通过将隐私预算集中在经验协方差矩阵信息量最大的条目上，并在每轮中选择近似差的条目进行高斯机制测量，然后通过最大熵重建目标重构完整协方差矩阵，从而在高维和低到中等隐私预算下显著降低估计误差。
摘要：
我们提出了PACE-GGM，一种数据自适应的差分隐私协方差估计方法，该方法将隐私预算集中在经验协方差矩阵信息量最大的条目上，而不是扰动所有条目。这适用于建模者为每个变量提供单独边界的自然场景，因此各个条目可以比整个矩阵以更少的噪声进行测量。在每一轮中，我们的方法选择一个近似较差的条目，使用高斯机制对其进行测量，然后通过最大熵重建目标重构完整的协方差矩阵，从而得到高斯图模型结构。在多个真实世界数据集上的实验表明，与高斯机制和其他基线相比，该方法在估计误差方面持续改进，特别是在高维和低到中等隐私预算的情况下。
英文摘要：
We propose PACE-GGM, a data-adaptive differentially private method for covariance estimation that concentrates its privacy budget on the most informative entries of the empirical covariance matrix, rather than perturbing all entries. This applies in the natural setting where the modeler supplies separate bounds for each variable, so that individual entries can be measured with less noise than the full matrix. In each round, our method selects a poorly approximated entry, measures it using the Gaussian mechanism, and then reconstructs a full covariance matrix using a maximum-entropy reconstruction objective, leading to a Gaussian graphical model structure. Experiments on diverse real-world datasets demonstrate consistent improvements in estimation error with respect to the Gaussian mechanism and other baselines, particularly in high-dimensional and low-to-moderate privacy regimes.
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。
