会员服务
可约的 · 噪声 · Processing（编程语言） · 计算学习理论 ·
2021 年 4 月 23 日
Empirical Differential Privacy
翻译：经验差异隐私
Paul Burchard,Anthony Daoud,Dominic Dotterrer
Paul Burchard,Anthony Daoud,Dominic Dotterrer
from arxiv, more precise definitions and theorems

We show how to achieve differential privacy with no or reduced added noise, based on the empirical noise in the data itself. Unlike previous works on noiseless privacy, the empirical viewpoint avoids making any explicit assumptions about the random process generating the data.


翻译：根据数据本身的实证噪音,我们展示了如何在不增加或减少噪音的情况下实现差异隐私。 与以往关于无噪音隐私的工作不同,经验观点避免了对生成数据的随机过程做出任何明确假设。
0
下载
关闭预览

相关内容

【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
专知会员服务
52+阅读 · 2020年11月21日
不可错过！UIUC最新《统计强化学习》课程！
专知会员服务
52+阅读 · 2020年9月7日
策略梯度方法的算子视图，An operator view of policy gradient methods
策略梯度方法的算子视图，An operator view of policy gradient methods
专知会员服务
10+阅读 · 2020年6月23日
【北京大学】Locally Differentially Private (Contextual) Bandits Learning
【北京大学】Locally Differentially Private (Contextual) Bandits Learning
专知会员服务
12+阅读 · 2020年6月8日
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
专知会员服务
51+阅读 · 2020年6月1日
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
专知会员服务
130+阅读 · 2020年4月14日
【AAAI2020论文】隐私保留GBDT（Privacy-Preserving Gradient Boosting Decision Trees）
【AAAI2020论文】隐私保留GBDT（Privacy-Preserving Gradient Boosting Decision Trees）
专知会员服务
33+阅读 · 2019年11月15日
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
专知会员服务
37+阅读 · 2019年10月28日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
77+阅读 · 2019年10月9日
灾难性遗忘问题新视角：迁移-干扰平衡
灾难性遗忘问题新视角：迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
25+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
专知
30+阅读 · 2018年3月22日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Iterative Methods for Private Synthetic Data: Unifying Framework and New Methods
Arxiv
0+阅读 · 2021年6月14日
Understanding the Interplay between Privacy and Robustness in Federated Learning
Arxiv
0+阅读 · 2021年6月13日
Budget Sharing for Multi-Analyst Differential Privacy
Arxiv
0+阅读 · 2021年6月12日
An Empirical Study of DeFi Liquidations: Incentives, Risks, and Instabilities
Arxiv
0+阅读 · 2021年6月11日
Leveraging Public Data for Practical Private Query Release
Arxiv
0+阅读 · 2021年6月11日
Practical Privacy Filters and Odometers with Rényi Differential Privacy and Applications to Differentially Private Deep Learning
Arxiv
0+阅读 · 2021年6月4日
Cascading Bandit under Differential Privacy
Arxiv
0+阅读 · 2021年6月4日
Towards Sharper Utility Bounds for Differentially Private Pairwise Learning
Arxiv
0+阅读 · 2021年6月1日
A Topological Framework for Deep Learning
Arxiv
0+阅读 · 2021年1月15日
LDP-FL: Practical Private Aggregation in Federated Learning with Local Differential Privacy
Arxiv
5+阅读 · 2020年7月31日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
可约的
噪声
Processing（编程语言）
计算学习理论
相关VIP内容
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
【经典书】应用随机微分方程，324页pdf，Applied Stochastic Differential Equations
专知会员服务
52+阅读 · 2020年11月21日
不可错过！UIUC最新《统计强化学习》课程！
专知会员服务
52+阅读 · 2020年9月7日
策略梯度方法的算子视图，An operator view of policy gradient methods
策略梯度方法的算子视图，An operator view of policy gradient methods
专知会员服务
10+阅读 · 2020年6月23日
【北京大学】Locally Differentially Private (Contextual) Bandits Learning
【北京大学】Locally Differentially Private (Contextual) Bandits Learning
专知会员服务
12+阅读 · 2020年6月8日
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
专知会员服务
51+阅读 · 2020年6月1日
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf
专知会员服务
130+阅读 · 2020年4月14日
【AAAI2020论文】隐私保留GBDT（Privacy-Preserving Gradient Boosting Decision Trees）
【AAAI2020论文】隐私保留GBDT（Privacy-Preserving Gradient Boosting Decision Trees）
专知会员服务
33+阅读 · 2019年11月15日
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
《应用随机微分方程》(Applied Stochastic Differential Equations)324页pdf新书分享
专知会员服务
37+阅读 · 2019年10月28日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
77+阅读 · 2019年10月9日
热门VIP内容
相关资讯
灾难性遗忘问题新视角：迁移-干扰平衡
灾难性遗忘问题新视角：迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
25+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
【论文推荐】最新7篇视觉问答（VQA）相关论文—解释、读写记忆网络、逆视觉问答、视觉推理、可解释性、注意力机制、计数
专知
30+阅读 · 2018年3月22日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
相关论文
Iterative Methods for Private Synthetic Data: Unifying Framework and New Methods
Arxiv
0+阅读 · 2021年6月14日
Understanding the Interplay between Privacy and Robustness in Federated Learning
Arxiv
0+阅读 · 2021年6月13日
Budget Sharing for Multi-Analyst Differential Privacy
Arxiv
0+阅读 · 2021年6月12日
An Empirical Study of DeFi Liquidations: Incentives, Risks, and Instabilities
Arxiv
0+阅读 · 2021年6月11日
Leveraging Public Data for Practical Private Query Release
Arxiv
0+阅读 · 2021年6月11日
Practical Privacy Filters and Odometers with Rényi Differential Privacy and Applications to Differentially Private Deep Learning
Arxiv
0+阅读 · 2021年6月4日
Cascading Bandit under Differential Privacy
Arxiv
0+阅读 · 2021年6月4日
Towards Sharper Utility Bounds for Differentially Private Pairwise Learning
Arxiv
0+阅读 · 2021年6月1日
A Topological Framework for Deep Learning
Arxiv
0+阅读 · 2021年1月15日
LDP-FL: Practical Private Aggregation in Federated Learning with Local Differential Privacy
Arxiv
5+阅读 · 2020年7月31日
Top
微信扫码咨询专知VIP会员
Top