Abstract: Analiza datelor cu păstrarea confidențialității a fost pusă pe o bază matematică solidă de la introducerea confidențialității diferențiale (DP) în 2006. Cu toate acestea, această definiție a confidențialității are câteva puncte slabe bine cunoscute: în special, nu gestionează cu strictețe compoziția. În această prezentare, propunem o relaxare a DP pe care o numim „f-DP”, care are o serie de proprietăți atractive și evită unele dintre dificultățile asociate cu relaxările anterioare. În primul rând, f-DP păstrează interpretarea de testare a ipotezelor a confidențialității diferențiale, ceea ce face ca garanțiile sale să fie ușor de interpretat. Aceasta permite un raționament fără pierderi în ceea ce privește compoziția și postprocesarea și, în special, o modalitate directă de a analiza amplificarea confidențialității prin subeșantionare. În cadrul clasei noastre, definim o familie canonică de definiții cu un singur parametru, denumită „confidențialitate diferențială gaussiană”, bazată pe testarea ipotezelor a două distribuții normale decalate. Demonstrăm că această familie este focală față de f-DP prin introducerea unei teoreme a limitei centrale, care arată că garanțiile de confidențialitate ale oricărei definiții a confidențialității bazate pe testarea ipotezelor (inclusiv confidențialitatea diferențială) converg către confidențialitatea diferențială gaussiană în limita sub compunere. Această teoremă a limitei centrale oferă, de asemenea, un instrument de analiză ușor de utilizat. Demonstrăm utilizarea instrumentelor pe care le dezvoltăm prin oferirea unei analize îmbunătățite a garanțiilor de confidențialitate ale coborârii stocastice zgomotoase a gradientului.
Aceasta este o lucrare comună cu Jinshuo Dong și Aaron Roth.

Acest seminar va fi transmis în direct prin Zoom https://umich.zoom.us/j/94350208889
Va urma o recepție virtuală

.