提出隐私过滤机制实现差分隐私噪声缩放新方法
原文：Propose-Filter-Release: Scaling Noise to Typical Sensitivity via Private Filtering
一个估计器可以在典型数据上准确且稳定，却对少数可能的记录敏感。差分隐私机制通常将噪声缩放到单条记录的最坏情况影响，这使得这些记录即使剩余数据允许更小的噪声，也能决定噪声规模。先移除这些记录可以恢复较小的噪声规模，但移除过程本身必须是私有的。我们引入了提议-过滤-发布（PFR），它通过对输入进行私有过滤，将一个保护典型记录添加或移除的机制（该机制适配剩余数据）转化为在所有输入上都满足标准意义上差分隐私的机制。利用我们新颖的过滤步骤，PFR仅需要一个凹友好性分数（衡量一条记录与数据集的拟合程度）和一个友好差分隐私的发布机制，即当被改变的记录与剩余数据拟合时满足隐私保护。对于每种这样的分数和发布机制，它在记录数量的公开条件下保证差分隐私，因此它是一个通用的隐私原语，可与提议-测试-发布相媲美，而FriendlyCore可被视为其一种实现。我们通过将其实例化用于标量统计、主子空间估计、用户直方图的KL散度、图的有效电阻以及处理规则选择，展示了PFR的通用性。作者：Moshe Shenfeld, Eliad Tsfadia, Katrina Ligett 类别：cs.LG