Hang Liu

新方法确保高斯混合模型差分隐私

研究人员开发了一种新的方法，用于在确保差分隐私的同时发布高斯混合模型（GMM）参数。该方法解决了共享GMM（常用于多模态数据）相关的隐私风险。所提出的框架利用 Kullback-Leibler（KL）散度来衡量发布参数的准确性，并考虑了噪声对混合权重、均值和协方差矩阵的综合影响。在给定的 $(\epsilon, \delta)$-DP 约束下，构建了一个优化问题来最小化此 KL 散度，实验证明了其强大的隐私保证和高实用性。