Differential Privacy of Gradient Descent on Perturbed Objectives
本文研究目标扰动（objective perturbation）机制在有限步优化下的差分隐私性质。经典目标扰动做法是在正则化经验风险上叠加一个随机线性项 ⟨z,w⟩（其中 z 从 N(0, σ²I_d) 中一次性采样），随后发布扰动目标的精
#privacy-accounting
共收录 4 条相关情报。
← 返回所有主题Unifying Privacy Accounting: Information Equivalence and Information Loss
论文针对差分隐私（DP）中多种曲线型隐私定义并存、选择不同定义会影响隐私分析与效用的问题，提出统一的信息论框架。作者考虑四类主流定义：两个方向性的 (ε,δ)-DP 隐私轮廓、假设检验权衡函数对，以及扩展隐私损失分布。对固定输出分布的有序对
Privacy Amplification Without Independence: How Far Negative Dependence Carries the Guarantees of Poisson Subsampling
该论文研究差分隐私量化中的关键理论问题：泊松子采样是典型的采样器，其独立性使得隐私放大分析易于处理，但实际系统越来越多地采用结构化参与模式，如随机分配（balls-in-bins）、每轮分配、随机检查等。业界普遍认为这些模式在匹配采样率下至
A Sieve-Accelerated Quadrature Method for Exact Privacy Accounting in the 2020 U.S. Decennial Census
2020年美国人口普查局采用了差分隐私技术保护数据隐私，通过向发布的普查表格注入整数值高斯噪声来实现。准确评估这些数据发布的隐私保证，可以使普查局确定满足给定隐私预算所需的最小噪声量，避免注入不必要的过多噪声，从而显著提高下游应用（如联邦资