提出差分隐私合成数据算法 SPLICE

Lucas Rosenblatt、R. Teal Witter 和 Christopher Musco 提出差分隐私合成数据算法 SPLICE，通过测量随机方向上的切片 Chebyshev 多项式矩，并拟合匹配分布，生成能够保留原始数据全局分布特征的隐私合成数据。研究证明，在隐私参数为常数时，算法生成的私有分布与目标分布之间的 Sliced Wasserstein-1 距离为约 $\tilde{O}(1/\sqrt{n})$，且这一误差界不依赖数据维度。\n\n算法的理论保证针对单位球内的分布：沿约 $\tilde{O}(d/\alpha^2)$ 个随机方向匹配前 $O(1/\alpha)$ 阶 Chebyshev 矩，可保证误差不超过 $\alpha$。研究团队还结合张量分解技术实现了实用版本，并称其在大规模基准测试中优于此前的差分隐私合成数据方法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。