×
王迪;徐金辉

差分私有高维稀疏协方差矩阵估计。 （英语） Zbl 1497.68166号

西奥。计算。科学。 865, 119-130 (2021).
摘要：在本文中，我们研究了在差分隐私下估计协方差矩阵的问题，其中假设潜在协方差矩阵是稀疏的且具有高维。我们提出了一种新的方法，称为DP-Thresholding，以实现基于非平凡（ell_2）范数的误差界，其对维数的依赖性下降到对数而不是多项式，这明显优于现有的直接向经验协方差矩阵添加噪声的方法-基于范数的误差对任何（1）都是基于一般范数的（1），并证明它们渐近共享相同的上界。我们的方法可以很容易地扩展到本地差异隐私。在合成数据集上的实验表明，结果与理论主张一致。

MSC公司：

第68页第27页 数据隐私
62甲12 多元分析中的估计

关键词：

差异隐私;稀疏协方差估计;高维统计

软件：

RAPPOR公司
PDF格式BibTeX公司 XML格式引用
\textit{D.Wang}和\textit{J.Xu}，Theor。计算。科学。865119-130（2021年；Zbl 1497.68166）
全文： 内政部 arXiv公司

参考文献：

[1] 德沃克，C。；McSherry，F。；尼西姆，K。；Smith，A.，私人数据分析中的噪声灵敏度校准，（密码学理论会议（2006），Springer），265-284·Zbl 1112.94027号
[2] Near，J.，《规模上的差异隐私：优步和伯克利的合作》（Enigma 2018（Enigma2018）（2018），USENIX协会：美国加州圣克拉拉USENIX协会）
[3] 俄勒冈州埃尔林森。；Pihur，V。；Korolova，A.，Rappor:随机化可聚合隐私保护有序响应，（2014年ACM SIGSAC计算机和通信安全会议论文集（2014），ACM），1054-1067
[4] Tang，J。；科洛洛娃，A。；Bai，X。；王，X。；Wang，X.，苹果在MacOS 10.12上实施差异隐私的隐私损失，CoRR
[5] 王，D。；Xu，J.，关于局部差异隐私模型中的稀疏线性回归，（机器学习国际会议（2019）），6628-6637
[6] 杜奇，J.C。；Ruan，F.，局部私有估计中正确的复杂性度量：它不是Fisher信息，arXiv预印本
[7] Ullman，J.，局部差异私有选择的紧下限，arXiv预印本
[8] 王，D。；Ye，M。；Xu，J.，《不同私人经验风险最小化重温：更快更普遍》，（神经信息处理系统进展30：2017年神经信息处理体系年会）。神经信息处理系统进展30：2017年神经信息处理系统年会，2017年12月4日至9日，美国加利福尼亚州长滩（2017）），2719-2728
[9] 王，D。；加博阿迪，M。；Xu，J.，重温非交互式局部差异隐私的经验风险最小化，（神经信息处理系统进展31：神经信息处理体系年度会议。神经信息处理制度进展31：2018年12月3日至8日，加拿大魁北克省蒙特利尔（2018））
[10] Ge，J。；王，Z。；王，M。；Liu，H.，分布式系统中的Minimax-optimal privacy-保持稀疏pca，（国际人工智能与统计会议（2018）），1589-1598
[11] 王，D。；Xu，J.，局部差异隐私模型中的主成分分析，Theor。计算。科学。，809, 296-312 (2020) ·Zbl 1436.68100号
[12] 王，D。；Xu，J.，局部差异隐私模型中的主成分分析，（第28届国际人工智能联合会议论文集（2019），AAAI出版社），4795-4801
[13] 王，D。；怀，M。；Xu，J.，Differentially private稀疏逆协方差估计，（IEEE Global Conference on Signal and Information Processing，GlobalSIP 2018）。IEEE信号和信息处理全球会议，GlobalSIP 2018，2018年11月26-29日，美国加利福尼亚州阿纳海姆（2018））
[14] 卡马特，G。；李，J。；Singhal，V。；Ullman，J.，私人学习高维分布，（学习理论会议（2019）），1853-1902
[15] 约瑟夫，M。；库尔卡尼，J。；毛，J。；Wu，S.Z.，局部私有高斯估计，（神经信息处理系统进展（2019）），2984-1993
[16] 卡瓦，V。；Vadhan，S.，有限样本差异私人置信区间，（第九届理论计算机科学会议创新（ITCS 2018）（2018），Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik）
[17] 加博阿迪，M。；罗杰斯，R。；Sheffet，O.，《局部私人平均值估计：z检验和紧置信区间》，（第22届国际人工智能与统计会议，PMLR（2019）），2545-2554
[18] 阿明，K。；Dick，T。；Kulesza，A。；穆尼奥斯，A。；Vassilvitskii，S.，差异私有协方差估计，（神经信息处理系统进展（2019）），14213-14222
[19] 德沃克，C。；Talwar，K。；Thakurta，A。；Zhang，L.，Analyze Gauss:privacy keepending princy component analysis的最优界，（第46届ACM计算理论学术研讨会论文集（2014），ACM），11-20·Zbl 1315.94115号
[20] 德沃克，C。；肯塔帕迪，K。；McSherry，F。；米罗诺夫，I。；Naor，M.，《我们的数据，我们自己：通过分布式噪声产生的隐私》（密码技术理论和应用年度国际会议（2006年），施普林格），486-503·Zbl 1140.94336号
[21] Vershynin，R.，《高维概率：数据科学应用简介》，第47卷（2018），剑桥大学出版社·Zbl 1430.60005号
[22] Cai，T.T。；Zhou，H.H.，稀疏协方差矩阵估计的最优收敛速度，Ann.Stat.，40，5，2389-2420（2012）·Zbl 1373.62247号
[23] 蔡，T.T。；张，C.-H。；周海华，协方差矩阵估计的最优收敛速度，《统计年鉴》，38，4，2118-2144（2010）·Zbl 1202.62073号
[24] Tao，T.，《随机矩阵理论专题》，第132卷（2012年），美国数学学会·Zbl 1256.15020号
[25] Tropp，J.A.，《矩阵集中不等式导论》，Found。趋势马赫数。学习。，8, 1-2, 1-230 (2015) ·Zbl 1391.15071号
[26] 比克尔，P.J。；Levina，E.，通过阈值进行协方差正则化，Ann.Stat.，36，6，2577-2604（2008）·Zbl 1196.62062号
[27] Golub，G.H。；Van Loan，C.F.，《矩阵计算》，第3卷（2012年），JHU出版社
[28] Papoulis，A。；Pillai，S.U.，《概率、随机变量和随机过程》（2002），塔塔·麦格劳-希尔教育
[29] Whittle，P.，自变量线性和二次型矩的界，理论概率。申请。，5, 3, 302-305 (1960) ·Zbl 0101.12003号
[30] Dunford，N。；Schwartz，J.T.，《线性算子第一部分：一般理论》，第7卷（1958年），Interscience出版社：纽约Interscience出版社·Zbl 0084.10402号
[31] 卡西维斯瓦纳森，S.P。；香港李。；尼西姆，K。；Raskhodnikova，S。；史密斯，我们可以私下学到什么？，SIAM J.计算。，40, 3, 793-826 (2011) ·Zbl 1235.68093号
[32] 王，D。；Xu，J.，局部差异私有稀疏协方差矩阵估计的下界，（第28届国际人工智能联合会议论文集（2019），AAAI出版社），4788-4794
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。