×
阿曼迪·杜波伊斯;托马斯·贝雷特。;克里斯蒂娜·布图萨

在局部差异隐私下对Hölder连续密度的最佳测试。 （英语） Zbl 07822566号

Belomestny，Denis（编辑）等人，《现代统计基础》。纪念弗拉基米尔·斯波科尼。根据2019年11月6日至8日在德国柏林举行的国际会议和2019年10月30日在俄罗斯莫斯科举行的会议上的陈述，选择了部分贡献。查姆：斯普林格。Springer程序。数学。《美国联邦法律大全》第425卷第53-119页（2023年）。
摘要：我们解决了在局部差异隐私约束下对霍尔德连续密度进行有效性测试的问题。我们研究了仅允许使用非交互隐私机制以及非交互和顺序交互均可用于私有化时的最小最大分离率。我们提出了隐私机制和相关的测试程序，其分析使我们能够获得最小最大速率的上限。这些结果得到了下限的补充。通过比较这些界限，我们表明，对于包括均匀分布、正态分布、贝塔分布、柯西分布、帕累托分布和指数分布的密度在内的\（f_0）的几种选择，所提出的隐私机制和测试是最优的，最多可达对数因子。特别是，我们观察到，与非私人机构相比，私人机构的结果有所恶化。此外，当只考虑非交互隐私机制时，我们表明顺序交互机制改进了获得的结果。
关于整个系列，请参见[Zbl 1531.62003年].

MSC公司：

62至XX 统计

关键词：

光纤质量测试;本地差异隐私;最小最大分离率;隐私机制;总变化间隔距离
PDF格式BibTeX公司 XML格式引用
\textit{A.Dubois}等人，Springer Proc。数学。《法律总汇》第425卷，第53-119页（2023年；兹bl 07822566）
全文： DOI程序 arXiv公司

参考文献：

[1] Acharya，J.、Canonne，C.L.、Freitag，C.、Tyagi，H.：无信任测试：最优本地私有分布测试。摘自：《机器学习研究论文集》，第89卷，第2067-2076页（2019年）
[2] Acharya，J.，Sun，Z.，Zhang，H.：离散分布的同一性和贴近性的不同私人测试。摘自：神经信息处理系统进展，第6878-6891页（2018年）
[3] Aliakbarpour，M.，Diakonikolas，I.，Rubinfeld，R.：离散分布的不同私有身份和等价性测试。摘自：机器学习国际会议，第169-178页（2018）
[4] Balakrishnan，S。；Wasserman，L.，《密度和高维多项式的假设检验：尖锐的局部极小极大率》，《Ann.Stat.》，47，4，1893-1927（2019）·Zbl 1466.62307号 ·doi:10.1214/18-AOS1729
[5] 贝雷特，TB；Butucea，C.，《地方差别隐私分类》，《国际科学图书馆年鉴》，第63期，第191-205页（2019年）
[6] Berrett，T.B.，Butucea，C.：使用交互机制对离散分布进行局部私有非渐近测试更快。In:34，NeurIPS（2020年）
[7] Boucheron，S。；卢戈西，G。；Massart，P.，《非渐近独立理论》（2013），《集中度不等式》：牛津大学出版社，《集中度不等式》·Zbl 1279.60005号
[8] 布图萨，C。；Dubois，A。；Kroll，M。；Saumard，A.，《局部差异隐私：贝索夫椭球上最优密度估计和自适应中的肘效应》，伯努利，26，3，1727-1764（2020）·Zbl 1444.62045号 ·doi:10.3150/19-BEJ1165
[9] Butucea，C.，Rohde，A.，Steinberger，L.：交互式与非交互式局部差异私人估计：二次函数的两个弯头（2020）。arXiv电子打印，arXiv:2003.04773[math.ST]
[10] Cai，B.，Daskalakis，C.，Kamath，G.：Priv'IT：私有和样本有效身份测试。摘自：第34届国际机器学习会议记录，第70卷，第635-644页（2017）
[11] Chhor，J.，Carpentier，A.：大型随机图、多元泊松族和多项式的有效性检验的尖锐局部极小极大率（2020年）。arXiv预打印arXiv：2012.13766·Zbl 07624307号
[12] Diakonikolas，I.，Daniel，M.K.：测试离散分布特性的新方法。参见：IEEE第57届计算机科学基础年度研讨会（FOCS），2016年第卷，第685-694页。IEEE（2016）
[13] 杜奇，JC；密歇根州约旦；MJ Wainwright，《当地私人估算的Minimax最优程序》，美国统计协会，113，521，182-201（2018）·Zbl 1398.62021号 ·doi:10.1080/01621459.2017.1389735
[14] Dwork，C.，McSherry，F.，Nissim，K.，Smith，A.：私人数据分析中噪声灵敏度的校准。收录于：密码学理论会议，第265-284页。斯普林格（2006）·Zbl 1112.94027号
[15] Gaboardi，M.，Lim，H.，Rogers，R.，Vadhan，S.：不同的私人二分假设检验：拟合优度和独立性检验。摘自：机器学习国际会议，第2111-2120页（2016）
[16] Gaboardi，M.，Rogers，R.：局部私人假设检验：齐方检验。摘自：机器学习国际会议，第1626-1635页（2018年）
[17] Joseph，M.、Mao，J.、Neel，S.、Roth，A.：互动在地方差异隐私中的作用。参见：IEEE第60届计算机科学基础年会（FOCS），2019卷。IEEE（2019）
[18] Kairouz，P.、Oh，S.、Viswanath，P.：本地差异隐私的极端机制。摘自：《神经信息处理系统进展》，第2879-2887页（2014年）·Zbl 1360.68433号
[19] Kairouz，P。；哦，S。；Viswanath，P.，《局部差异隐私的极端机制》，J.Mach。学习。研究，17，1，492-542（2016）·Zbl 1360.68433号
[20] Lam-Weil，J.、Laurent，B.、Loubes，J.-M.：局部差异隐私约束下密度的Minimax最佳拟合度测试（2020）。arXiv预打印arXiv:2002.04254
[21] 罗德，A。；Steinberger，L.，《局部差异隐私约束下的几何收敛率》，《Ann.Stat.》，48，5，2646-2670（2020）·Zbl 1457.62396号 ·doi:10.1214/19-AOS1901
[22] Serfling，R.J.：数理统计的近似定理。威利（1980）·Zbl 0538.62002号
[23] 或Sheffet.：局部私人假设检验。参加：机器学习国际会议。PMLR（2018），第4605-4614页
[24] Spokoiny，V.，《小波自适应假设检验》，《Ann.Stat.》，24，6，2477-2498（1996）·Zbl 0898.62056号 ·doi:10.1214/aos/1032181163
[25] Valiant，G。；Valiant，P.，《自动不等式证明和实例优化身份测试》，SIAM J.Compute。，46, 1, 429-455 (2017) ·兹比尔1362.62107 ·数字对象标识代码：10.1137/151002526
[26] Wang，Y.，Lee，J.，Kifer，D.：重新审视分类数据的差异私人假设检验（2015）。arXiv预打印arXiv:1511.03376
[27] Wasserman，L。；Zhou，S.，《不同隐私的统计框架》，美国统计协会，105，489，375-389（2010）·Zbl 1364.62011年 ·doi:10.1198/jasa.2009.tm08651
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。