Abstrakt: Analýza dat zachovávající soukromí byla od zavedení diferenciálního soukromí (DP) v roce 2006 postavena na pevný matematický základ. Tato definice soukromí má však některé známé nedostatky: zejména nepracuje pevně s kompozicí. V této přednášce navrhujeme relaxaci DP, kterou označujeme jako „f-DP“, která má řadu přitažlivých vlastností a vyhýbá se některým obtížím spojeným s předchozími relaxacemi. Za prvé, f-DP zachovává interpretaci testování hypotéz diferenciálního soukromí, díky čemuž jsou jeho záruky snadno interpretovatelné. Umožňuje bezeztrátové uvažování o složení a následném zpracování a zejména přímý způsob analýzy zesílení soukromí pomocí podvzorkování. V rámci naší třídy definujeme kanonickou jednoparametrickou rodinu definic, která se nazývá „Gaussovo diferenciální soukromí“ a vychází z testování hypotéz dvou posunutých normálních rozdělení. Dokážeme, že tato rodina je fokální k f-DP zavedením centrální limitní věty, která ukazuje, že záruky soukromí jakékoli definice soukromí založené na testování hypotéz (včetně diferenciálního soukromí) konvergují ke Gaussovu diferenciálnímu soukromí v limitě podle složení. Tato centrální limitní věta také poskytuje nástroj pro analýzu. Použití námi vyvinutého nástroje demonstrujeme na vylepšené analýze záruk soukromí šumového stochastického gradientního sestupu.
Jde o společnou práci s Jinshuo Dongem a Aaronem Rothem.

Tento seminář bude živě přenášen přes Zoom https://umich.zoom.us/j/94350208889
Po něm bude následovat virtuální recepce

.