Distribution-invariant differential privacy
分布不变的差分隐私AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用差分隐私与统计准确性，未提供足够依据归入所列的特定计量应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
分布不变的差分隐私
- 研究问题
- 数据隐私化改变样本分布时，如何在严格差分隐私约束下减少统计分析结论的变化，缓解隐私与准确性的权衡？
- 方法与思路
- 作者提出分布不变隐私化方法 DIP，试图兼顾分布保持与严格差分隐私，并以模拟及真实数据基准评估统计准确性。
- 材料陈述的贡献
- 摘要声称，DIP 可使下游统计或机器学习结论基本保持，并在同等隐私严格程度下于多种数值实验中提高准确性。
- 阅读关注点
- 应核对分布不变的精确定义、隐私保证所用的信息与条件，以及下游任务结论保持的理论范围和基准比较设置。
- 阅读边界
- 所给 RePEc 出版社摘要未交代隐私参数、数据条件及保证形式；关于任意下游任务的广泛表述仍需全文核验。
原文摘要
Differential privacy is becoming one gold standard for protecting the privacy of publicly shared data. It has been widely used in social science, data science, public health, information technology, and the U.S. decennial census. Nevertheless, to guarantee differential privacy, existing methods may unavoidably alter the conclusion of original data analysis, as privatization often changes the sample distribution. This phenomenon is known as the trade-off between privacy protection and statistical accuracy. In this work, we mitigate this trade-off by developing a distribution-invariant privatization (DIP) method to reconcile both high statistical accuracy and strict differential privacy. As a result, any downstream statistical or machine learning task yields essentially the same conclusion as if one used the original data. Numerically, under the same strictness of privacy protection, DIP achieves superior statistical accuracy in in a wide range of simulation studies and real-world benchmarks.