研究人员开发了一个名为CorrDP的新框架,该框架修改了差分隐私以考虑特征相关性。通过使用总变差距离量化这些相关性,该方法允许对不敏感特征(即使它们与敏感特征相关)放宽隐私限制。该框架包括差分私有经验风险最小化(DP-ERM)的算法,这些算法在梯度中使用距离相关的噪声,提供了改进的理论效用保证。在合成数据和真实世界数据上的实验表明,当存在不敏感特征时,基于CorrDP的DP-ERM优于标准的DP方法。 AI
影响 引入了一种更细致的差分隐私方法,有可能在具有相关特征的机器学习模型中提高效用。
排序理由 介绍差分隐私新框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →