Abstract: 2006年に差分プライバシー（DP）が導入されてから、プライバシー保護データ解析は確固たる数学的基盤に置かれるようになった。 しかし，このプライバシー定義にはいくつかのよく知られた弱点がある：特に，合成を厳密に扱えないことである． 本講演では、DPの拡張版であるf-DPを提案する。f-DPは多くの魅力的な特性を持ち、先行する拡張版に関連するいくつかの困難を回避することができる。 まず、f-DPは差分プライバシーの仮説検定的解釈を維持し、その保証を容易に解釈可能なものにする。 また、合成や後処理を損失なく推論することができ、特に、サブサンプリングによるプライバシーの増幅を直接分析することが可能である。 我々は、2つのシフトした正規分布の仮説検定に基づき、「ガウス型差分プライバシー」と呼ばれる、我々のクラス内の標準的な単一パラメータの定義族を定義する。 仮説検定に基づくプライバシーの定義（差分プライバシーを含む）のプライバシー保証は、構成下の極限においてガウス差分プライバシーに収束することを示す中心極限定理を導入し、この族がf-DPにフォーカルであることを証明する。 この中心極限定理はまた、扱いやすい解析ツールも与える。 我々は、ノイズの多い確率的勾配降下法のプライバシー保証の改良された解析を行うことで、開発したツールの利用を実証する。
本講演は、Jinshuo Dong氏、Aaron Roth氏との共同研究です。

本講演はZoomによるライブ配信です。https://umich.zoom.us/j/94350208889
その後、バーチャルレセプションを予定しています

。