A Statistical Framework for Differential Privacy
差分隐私的统计框架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：摘要研究隐私机制及一般分布、密度估计的收敛，未涉及分位数或经济分布效应，不能据分布一词归入对应细分。
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
差分隐私的统计框架
- 研究问题
- 如何从统计角度评价满足差分隐私的数据发布机制，比较其隐私保护下保留分布与密度信息的能力？
- 方法与思路
- 作者研究多个差分隐私发布机制，以发布数据构造的分布和密度收敛速率比较效用，并分析一般指数机制。
- 材料陈述的贡献
- 摘要称收敛速率可用于比较发布方案，且指数机制的准确性与经验分布集中于真实分布邻域的概率速率密切相关。
- 阅读关注点
- 应核对隐私要求与邻接数据库的定义、发布机制的构造，以及距离度量、集中概率和收敛速率之间的联系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；隐私参数、分布类别及速率条件未详述，无法据此判断具体机制的实用效果。
原文摘要
One goal of statistical privacy research is to construct a data release mechanism that protects individual privacy while preserving information content. An example is a random mechanism that takes an input database X and outputs a random database Z according to a distribution Qn(⋅|X). Differential privacy is a particular privacy requirement developed by computer scientists in which Qn(⋅|X) is required to be insensitive to changes in one data point in X. This makes it difficult to infer from Z whether a given individual is in the original database X. We consider differential privacy from a statistical perspective. We consider several data-release mechanisms that satisfy the differential privacy requirement. We show that it is useful to compare these schemes by computing the rate of convergence of distributions and densities constructed from the released data. We study a general privacy method, called the exponential mechanism, introduced by McSherry and Talwar (2007). We show that the accuracy of this method is intimately linked to the rate at which the probability that the empirical distribution concentrates in a small ball around the true distribution.