[论文解读] Optimizing Histogram Queries under Differential Privacy
本文提出了矩阵机制，这是一种新颖的方法，用于在差分隐私下回答一组线性计数查询的工作负载，通过将这些查询转换为一组辅助查询的策略来实现。通过使用秩约束半定规划优化该策略，该方法通过相关噪声减少误差，在处理相关查询时显著提高了准确度，优于标准拉普拉斯机制，同时保持了差分隐私。
Differential privacy is a robust privacy standard that has been successfully applied to a range of data analysis tasks. Despite much recent work, optimal strategies for answering a collection of correlated queries are not known. We study the problem of devising a set of strategy queries, to be submitted and answered privately, that will support the answers to a given workload of queries. We propose a general framework in which query strategies are formed from linear combinations of counting queries, and we describe an optimal method for deriving new query answers from the answers to the strategy queries. Using this framework we characterize the error of strategies geometrically, and we propose solutions to the problem of finding optimal strategies.
研究动机与目标
- 解决在差分隐私下回答相关线性计数查询工作负载时，标准拉普拉斯机制准确度不足的问题。
- 提出一种通用框架，通过将查询工作负载转换为一组辅助查询的策略，推导出更准确的查询答案。
- 将寻找最优策略的问题形式化为秩约束半定规划，以最小化总误差。
- 统一并解释现有技术（如小波法和分层方法）作为矩阵机制的具体实例。
- 实现对稳定或重复出现的工作负载的一次性高效优化，提升实际可用性，同时不牺牲隐私。
提出的方法
- 矩阵机制使用一组辅助查询的策略，其噪声答案通过拉普拉斯机制获得，然后组合以估计工作负载查询的答案。
- 通过误差分布矩阵和灵敏度缩放，对查询间的误差分布进行建模，实现最小方差的估计以获得工作负载答案。
- 通过求解一个秩约束半定规划问题来计算最优策略，以在保持差分隐私的前提下最小化总误差。
- 该方法支持 $(\epsilon, \delta)$-差分隐私，并在该设定下提供了改进的误差界，如定理 5.22 所形式化。
- 支持使用傅里叶变换和线性规划，实现在最小准确度损失下的积分一致性。
- 该框架允许在一次性优化阶段后高效部署，适用于重复出现的工作负载。
实验结果
研究问题
- RQ1如何在差分隐私下提升回答多个相关计数查询的准确度？
- RQ2能否设计一种查询策略，通过利用查询间的相关性来减少误差，而非独立处理？
- RQ3何种优化框架能够计算给定线性查询工作负载的最优策略？
- RQ4现有技术（如小波法和分层方法）与所提出的矩阵机制有何关联？
- RQ5矩阵机制能否实现与差分隐私理论下限相匹配的误差界？
主要发现
- 通过优化策略查询引入相关噪声，矩阵机制显著降低了标准拉普拉斯机制的误差。
- 给定工作负载的最优策略可通过求解秩约束半定规划问题计算得出，从而形式化了该优化问题。
- 该框架将两种现有技术——小波法和分层方法——统一为矩阵机制的具体实例。
- 该方法改进了 $(\epsilon, \delta)$-差分隐私下的误差界，定理 5.22 提供了修正且更紧的误差界。
- 对于稳定或重复出现的工作负载，策略优化的计算成本仅需一次，从而实现高效部署。
- 该方法通过利用最优策略设计，实现了对低阶边际和结构化查询工作负载的准确估计。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。