米戎公园;詹姆斯，犯规;卡马利卡·乔杜里;韦林，马克斯 私人设置中的可变贝叶斯（VIPS）。 （英语） Zbl 1452.62986号 J.阿蒂夫。智力。研究（JAIR） 68, 109-157 (2020). 摘要：贝叶斯数据分析的许多应用都涉及敏感信息，例如个人文档或病历，这些激励方法可以确保隐私得到保护。我们介绍了一个通用的变分贝叶斯（VB）隐私保护框架，该框架是一种广泛使用的基于优化的贝叶斯推理方法。我们的框架尊重差异隐私（金标准隐私标准），并包含一大类概率模型，称为共轭指数（CE）族。我们观察到，我们可以通过扰动完整数据可能性的预期充分统计数据，直接私有化CE族模型的VB近似后验分布。对于广泛使用的一类非CE模型，即具有二项式可能性的模型，我们展示了如何将此类模型引入CE族，以便使用Pólya-Gamma数据增强方案，修改模型中的推断尽可能类似于私有变分Bayes算法。由于迭代增加了所需的噪声量，因此变分贝叶斯的迭代性质提出了进一步的挑战。我们通过结合以下内容来克服这一问题：（1）一种改进的差异隐私合成方法，称为矩会计，它对多次VB迭代的隐私成本提供了一个严格的限制，从而显著减少了加性噪声的数量；（2）随机学习中从大规模数据中抽取小样本的隐私放大效应。我们实证证明了我们的方法在CE和非CE模型中的有效性，包括在实际数据集上评估的潜在Dirichlet分配、贝叶斯逻辑回归和sigmoid信念网络。 引用于4文件 MSC公司： 62兰特 大数据和数据科学的统计方面 2015年1月62日 贝叶斯推断 68第27页 数据隐私 关键词：私有环境中的可变贝叶斯（VIPS） PDF格式BibTeX公司 XML格式引用 \textit{M.Park}等人，J.Artif。智力。研究（JAIR）68，109--157（2020；Zbl 1452.62986） 全文： 内政部 arXiv公司