【基础储备】Differential Privacy 基础知识储备之 privacy book

最新推荐文章于 2024-10-23 02:23:21 发布

tempadminuser

最新推荐文章于 2024-10-23 02:23:21 发布

阅读量689

点赞数

CC 4.0 BY-SA版权

分类专栏：【学习记录】读论文

本文链接：https://blog.csdn.net/weixin_44549245/article/details/104132720

【学习记录】读论文专栏收录该内容

13 篇文章

订阅专栏

本文探讨了差分隐私的概念，包括privacy loss的定义、(ε-δ)-差分隐私的复合性质，以及Azuma不等式、斯特林公式等理论工具。详细介绍了Laplace机制、指数机制和高斯机制的bound，对比了Gaussian与Laplacian机制的优劣，并深入讨论了Composition theorems。参考文献为C.Dwork和A.Roth合著的《The algorithmic foundations of differential privacy》。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

privacy loss 的定义： the $\, loss$ incurred by observing $ξ\xi$ is
(ε-δ)-差分隐私的复合性质：
加性切诺夫界、乘性切诺夫界：
Azuma不等式：
斯特林公式：
Laplace机制的 bound ：
utility function ：
utility function $\mathbb N ^{\vert \mathcal X \vert } × \mathcal R \rightarrow \mathbb R\,$ , which maps database/output pairs to utility scores.
OPT $_u(x) =$ max $r∈Ru(x,r)_{r \in \mathcal R} u(x, r)$ denote the maximum utility score of any element $\in \mathcal R$ with respect to database $x$ .
指数机制的 bound ：
高斯机制：

更多详情见 The Gaussian Mechanism.pdf
注：Gaussian Mechanism相较于Laplacian Mechanism有一个理论上的disadvantage,详见 $P53\mathcal P_{ \mathcal {53} }$
Composition theorems ：
斯特林公式：

Reference

C. Dwork and A. Roth. The algorithmic foundations of differential privacy. Foundations and Trends in Theoretical Computer Science, 9(3{4):211{407, 2014.