La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Locally Differentially Private Minimum Finding Résultat minimum local différentiellement privé

Kazuto FUKUCHI, Chia-Mu YU, Jun SAKUMA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Nous étudions un problème de recherche du minimum, dans lequel chaque utilisateur a une valeur réelle, et nous voulons estimer le minimum de ces valeurs sous la contrainte de confidentialité différentielle locale. Nous révélons que ce problème est fondamentalement difficile et que nous ne pouvons pas construire un mécanisme cohérent dans le pire des cas. Au lieu de considérer le pire des cas, nous visons à construire un mécanisme privé dont le taux d’erreur s’adapte à la facilité d’estimation du minimum. Pour mesurer la simplicité, nous introduisons un paramètre α qui caractérise la densité de la queue du côté minimum de la distribution des données utilisateur. En conséquence, nous révélons que le mécanisme peut atteindre O((ln6N/ ε2N)1/2α) erreur sans connaissance de α et le taux d’erreur est presque optimal dans le sens où tout mécanisme encourt Ω((1/ε2N)1/2α) erreur. De plus, nous démontrons que notre mécanisme surpasse un mécanisme naïf par des évaluations empiriques sur des ensembles de données synthétiques. En outre, nous avons mené des expériences sur l'ensemble de données MovieLens et un ensemble de données d'historique d'achat et démontrons que notre algorithme atteint Õ((1/N)1/2α) erreur de manière adaptative à α.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.8 pp.1418-1430
Date de publication
2022/08/01
Publicisé
2022/05/11
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7187
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Kazuto FUKUCHI
  University of Tsukuba,RIKEN
Chia-Mu YU
  National Yang Ming Chiao Tung University
Jun SAKUMA
  University of Tsukuba,RIKEN

Mots-clés

Table des matières