精选理由
这篇论文提出了一个新的隐私度量'可预测性'，比差分隐私更细致，还能和它一起用，很适合关注AI隐私的研究者。
该论文提出名为'可预测性'（predictability）的隐私度量框架，与差分隐私（DP）不同，它通过考虑攻击者的核心知识（部分泄露的数据）来评估隐私泄漏。研究证明可预测性与DP在一般情况下不可比较，但在最坏情形（仅一位个体未泄露且所有查询为二值）下，可预测性隐含互信息差分隐私。作者引入基于广义矩估计（GMM）的渐近分析方法，适用于由平稳遍历混合过程产生的泄露数据。最后，他们设计了一种基于可预测性校准的输出扰动方案，可与DP结合使用以提供细粒度隐私控制。
AI 翻译 · 中文
该论文提出名为'可预测性'（predictability）的隐私度量框架，与差分隐私（DP）不同，它通过考虑攻击者的核心知识（部分泄露的数据）来评估隐私泄漏。研究证明可预测性与DP在一般情况下不可比较，但在最坏情形（仅一位个体未泄露且所有查询为二值）下，可预测性隐含互信息差分隐私。作者引入基于广义矩估计（GMM）的渐近分析方法，适用于由平稳遍历混合过程产生的泄露数据。最后，他们设计了一种基于可预测性校准的输出扰动方案，可与DP结合使用以提供细粒度隐私控制。
Differential privacy (DP) ensures rigorous individual-level privacy guarantees against even the most knowledgeable attackers, but its worst-case nature can impose a costly privacy-accuracy tradeoff. We introduce privacy …