基于矩阵高斯机制的经验风险最小化隐私保护（英文）

摘要

在对数据进行分析或计算时，隐私保护计算常被用于保护个人敏感数据不被泄露.差分隐私方法是一类重要的隐私保护计算方法，该方法主要通过对敏感数据添加噪声来实现隐私保护.噪声添加需要平衡数据的安全性和可用性，噪声过量可能降低数据的可用性，反之则不能保证数据的安全性.这就要求所加噪声的方差应在达到隐私保护要求的前提下尽可能小.针对经验风险最小化的隐私保护问题，本文采用矩阵高斯机制来保护输入数据.在f-差分隐私（f-DP）框架下，本文推导了满足隐私保护要求的噪声方差，解决了已有文献中基于放缩方法的矩阵加噪方法普遍存在的噪声过量问题.实验表明，该方法显著降低了矩阵高斯机制的噪声方差，表现出更高的可用性.

关键词

隐私保护计算 / 差分隐私 / 矩阵高斯机制 / 经验风险最小化