- Skicimi plotëson privatësinë diferenciale: Algoritmi i shpejtë për mirëmbajtjen e projektimit dinamik të Kronecker(arXiv)
Autor:"Kënga Zhao", "Xin Yang", "Yuanyuan Yang", "Lichen Zhang"
Abstrakt:Mirëmbajtja e projektimit është një nga detyrat kryesore të strukturës së të dhënave. Strukturat efikase të të dhënave për mirëmbajtjen e projektimit kanë çuar në zbulime të fundit në shumë algoritme programimi konveks. Në këtë punë, ne e zgjerojmë më tej këtë kornizë në strukturën e produktit Kronecker. Duke pasur parasysh një matricë kufizimi A dhe një matricë gjysmë të përcaktuar pozitive W∈Rn×n me një eigenbazë të rrallë, ne shqyrtojmë detyrën e mbajtjes së projeksionit në formën e B⊤(BB⊤)−1B, ku B=A(W⊗ I) ose B=A(W1/2⊗W1/2). Në çdo përsëritje, matrica e peshës W merr një ndryshim të nivelit të ulët dhe marrim një vektor të ri h. Qëllimi është të ruhet matrica e projeksionit dhe t'i përgjigjet pyetjes B⊤(BB⊤)−1Bh me garanci të mira përafrimi. Ne hartojmë një strukturë të shpejtë dinamike të të dhënave për këtë detyrë dhe është e fortë kundër një kundërshtari adaptiv. Duke ndjekur punën e [Beimel, Kaplan, Mansour, Nissim, Saranurak dhe Stemmer, STOC'22], ne përdorim mjete nga privatësia diferenciale për të reduktuar rastësinë e kërkuar nga struktura e të dhënave dhe për të përmirësuar më tej kohën e ekzekutimit
2. Identifikimi, përforcimi dhe matja: Një urë për privatësinë diferenciale Gaussian(arXiv)
Autor:Yi Liu, Ke Sun, Linglong Kong, Bei Jiang
Abstrakt: Privatësia diferenciale Gaussian (GDP) është një familje me një parametra nocionesh të privatësisë që ofron garanci koherente për të shmangur ekspozimin e informacionit të ndjeshëm individual. Pavarësisht interpretueshmërisë shtesë dhe kufijve më të rreptë sipas përbërjes që ofron GDP, shumë mekanizma të përdorur gjerësisht (p.sh., mekanizmi Laplace) ofrojnë në thelb garanci të PBB-së, por shpesh nuk arrijnë të përfitojnë nga ky kuadër i ri, sepse garancitë e tyre të privatësisë u morën nën një sfond të ndryshëm. Në këtë punim, ne studiojmë vetitë asimptotike të profileve të privatësisë dhe zhvillojmë një kriter të thjeshtë për të identifikuar algoritmet me vetitë e GDP-së. Ne propozojmë një metodë efikase për algoritmet e GDP për të ngushtuar vlerat e mundshme të një matjeje optimale të privatësisë, μ me një marzh gabimi arbitrarisht të vogël dhe të matshëm. Për algoritmet jo të PBB-së, ne ofrojmë një procedurë pas përpunimit që mund të përforcojë garancitë ekzistuese të privatësisë për të përmbushur kushtin e PBB-së. Si aplikime, ne krahasojmë dy familje me një parametra të vetëm të nocioneve të privatësisë, ε-DP dhe μ-GDP, dhe tregojmë se të gjithë algoritmet ε-DP janë në thelb gjithashtu GDP. Së fundi, ne tregojmë se kombinimi i procesit tonë të matjes dhe teorema e përbërjes së PBB-së është një mjet i fuqishëm dhe i përshtatshëm për të trajtuar kompozimet në krahasim me teoremat tradicionale standarde dhe të avancuara të përbërjes.
3. Drejt trajnimit të rrjeteve nervore grafiku me privatësi diferenciale të nivelit të nyjeve(arXiv)
Autor:"Qiuchen Zhang", "Jing Ma", "Jian Lou", "Carl Yang", "Li Xiong"
Abstrakt : Rrjetet nervore grafike (GNN) kanë arritur sukses të madh në nxjerrjen e të dhënave të strukturuara me grafik. Pavarësisht performancës superiore të GNN-ve në mësimin e paraqitjeve të grafikëve, shqetësime serioze për privatësinë janë ngritur për modelet e trajnuara të cilat mund të ekspozojnë informacionin e ndjeshëm të grafikëve. Ne kryejmë studimin e parë formal të modeleve të trajnimit GNN për të siguruar dobinë duke përmbushur privatësinë rigoroze diferenciale të nivelit të nyjeve duke marrë parasysh informacionin privat si për veçoritë ashtu edhe për skajet e nyjeve. Ne miratojmë kornizën e trajnimit duke përdorur PageRank të personalizuar për të shkëputur procesin e kalimit të mesazheve nga grumbullimi i veçorive gjatë modeleve të trajnimit GNN dhe propozojmë algoritme të ndryshme private të PageRank për të mbrojtur zyrtarisht informacionin e topologjisë së grafikut. Për më tepër, ne analizojmë degradimin e privatësisë të shkaktuar nga procesi i marrjes së mostrave në varësi të rezultateve diferenciale të PageRank-it gjatë trajnimit të modelit dhe propozojmë një algoritëm diferencial privat GNN (DPGNN) për të mbrojtur më tej veçoritë e nyjeve dhe për të arritur privatësi rigoroze diferenciale të nivelit të nyjeve. Eksperimentet e gjera në grupet e të dhënave të grafikëve të botës reale demonstrojnë efektivitetin e algoritmeve të propozuara për sigurimin e privatësisë diferenciale të nivelit të nyjeve duke ruajtur dobishmërinë e mirë të modelit
