Privacy guarantees in posterior sampling under contamination
污染机制下后验采样的隐私保证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：摘要研究后验采样与差分隐私的一般理论，未提供所列因果、宏观或金融领域细分的专门模型或应用依据。
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…
污染机制下后验采样的隐私保证
- 研究问题
- 贝叶斯后验采样能否通过随机替换数据而获得差分隐私保证，并在不限制观测与参数空间有界性的情况下控制隐私损失？
- 方法与思路
- 作者先考察输出加噪方案，再引入 Huber 污染机制，以重尾样本随机替换数据点，推导隐私参数界并研究样本量与收敛速度。
- 材料陈述的贡献
- 摘要称，该方法无需观测和参数空间有界，并在渐近意义下实现完全隐私且无信息损失；另给出模型实例、收敛分析与模拟。
- 阅读关注点
- 核对邻接数据定义、替换概率和重尾分布条件，以及隐私参数趋零和无信息损失各自的含义、度量与理论前提。
- 阅读边界
- 仅据所给 Crossref 摘要；渐近完全隐私与无信息损失是作者在其框架下的陈述，不能推及任意模型或有限样本的零隐私损失。
原文摘要
In recent years, differential privacy has been adopted by tech-companies and governmental agencies as the standard for measuring privacy in algorithms. In this article, we study differential privacy in Bayesian posterior sampling settings. We begin by considering differential privacy in the most common privatisation setting in which Laplace or Gaussian noise is injected into the output. In an effort to achieve better differential privacy, we consider adopting Huber’s contamination model for use within privacy settings, and replace at random data points with samples from a heavy-tailed distribution (instead of injecting noise into the output). We derive bounds for the differential privacy level (ϵ,δ) of our approach, without requiring bounded observation and parameter spaces, a restriction commonly imposed in the literature. We further consider for our approach the effect of sample size on the privacy level and the rate at which (ϵ,δ) converges to zero. Asymptotically, our contamination approach is fully private with no information loss. We also provide examples of inference models for which our approach applies, with theoretical convergence rate analysis and simulation studies.