一种基于偏正态混合模型的异质数据隐私算法

摘要

在大数据时代，每天都会产生海量数据，数据的结构越来越复杂，这对数据的隐私保护带来巨大挑战.多源异质数据常用混合正态模型进行参数估计，经典的正态分布假设在不规则数据中经常会产生较大的估计误差.文章利用偏正态分布作为混合模型的成分，克服数据的不对称性和重尾等不规则问题；借鉴掩码机制设计偏正态混合分布的差分隐私算法，不仅在理论上保证了数据的隐私，同时也证明了算法的运行时间复杂度和样本复杂度都是多项式的.

关键词

偏正态分布 / 混合模型 / 差分隐私 / 掩码机制

基金资助

教育部春晖计划研究项目“基于高斯混合模型的差分隐私算法研究”（HZKY20220376）