WikiDer > Механизмы аддитивного шума - Википедия

Additive noise mechanisms - Wikipedia

Добавление контролируемого шума из предопределенных распределений - это способ проектирования дифференциально частный механизмы. Этот метод полезен для разработки частных механизмов для функций с действительным знаком на конфиденциальных данных. Некоторые часто используемые распределения для добавления шума включают распределения Лапласа и Гаусса.

Определения

Позволять ${ Displaystyle { mathcal {D}}}$ быть сборником всех наборов данных и ${ displaystyle f: { mathcal {D}} to mathbb {R}}$ - вещественная функция. В чувствительность ^[1] функции, обозначенной ${ displaystyle Delta f}$ , определяется

{ displaystyle Delta f = max | f (x) -f (y) |,}

где максимум по всем парам наборов данных ${ displaystyle x}$ и ${ displaystyle y}$ в ${ Displaystyle { mathcal {D}}}$ отличающиеся не более чем одним элементом. Для функций с более высокой размерностью чувствительность обычно измеряется ниже ${ displaystyle ell _ {1}}$ или же ${ displaystyle ell _ {2}}$ нормы.

В этой статье ${ Displaystyle { mathcal {M}}}$ используется для обозначения рандомизированного алгоритма, который освобождает чувствительную функцию ${ displaystyle f}$ под ${ displaystyle epsilon}$ - (или же ${ displaystyle ( epsilon, delta)}$ -) дифференциальная конфиденциальность.

Механизмы для функций с действительным значением

Механизм Лапласа

Представлено Dwork et al.,^[1] этот механизм добавляет шум, извлекаемый из Распределение Лапласа:

Механизм Лапласа обеспечивает конфиденциальность с дифференциалом 0,5 для функции с чувствительностью 1.

{ displaystyle { mathcal {M}} _ { mathrm {Lap}} (x, f, epsilon) = f (x) + mathrm {Lap} left ( mu = 0, b = { frac { Delta f} { epsilon}} right),}

куда ${ displaystyle mu}$ - математическое ожидание распределения Лапласа и ${ displaystyle b}$ - масштабный параметр. Грубо говоря, мелкомасштабного шума должно хватить для слабого ограничения конфиденциальности (соответствующего большому значению ${ displaystyle epsilon}$ ), в то время как более высокий уровень шума обеспечил бы большую степень неопределенности в том, что было исходным входом (что соответствует небольшому значению ${ displaystyle epsilon}$ ).

Чтобы утверждать, что механизм удовлетворяет ${ displaystyle epsilon}$ -дифференциальная конфиденциальность, достаточно показать, что выходное распределение ${ displaystyle { mathcal {M}} _ { mathrm {Lap}} (x, f, epsilon)}$ является закрыть в мультипликативном смысле к ${ displaystyle { mathcal {M}} _ { mathrm {Lap}} (y, f, epsilon)}$ повсюду.

{ displaystyle { begin {align} { frac { mathrm {Pr} ({ mathcal {M}} _ { mathrm {Lap}} (x, f, epsilon) = z)} { mathrm { Pr} ({ mathcal {M}} _ { mathrm {Lap}} (y, f, epsilon) = z)}} & = { frac { mathrm {Pr} (f (x) + mathrm {Lap} (0, { frac { Delta f} { epsilon}}) = z)} { mathrm {Pr} (f (y) + mathrm {Lap} (0, { frac { Delta f} { epsilon}}) = z)}} & = { frac { mathrm {Pr} ( mathrm {Lap} (0, { frac { Delta f} { epsilon}}) = zf (x))} { mathrm {Pr} ( mathrm {Lap} (0, { frac { Delta f} { epsilon}}) = zf (y))}} & = { frac {{ frac {1} {2b}} exp left (- { frac {| zf (x) |} {b}} right)} {{ frac {1} {2b}} exp left (- { frac {| zf (y) |} {b}} right)}} & = exp left ({ frac {| zf (y) | - | zf (x) |} {b}} right) & leq exp left ({ frac {| f (y) -f (x) |} {b}} right) & leq exp left ( { frac { Delta f} {b}} right) = exp ( epsilon). end {выравнивается}}}

Первое неравенство следует из неравенства треугольника, второе - из оценки чувствительности. Аналогичное рассуждение дает нижнюю оценку

{ Displaystyle ехр (- эпсилон)}

.

Дискретный вариант механизма Лапласа, называемый геометрическим механизмом, представляет собой универсально максимизирующий полезность.^[2] Это означает, что для любой предшествующей (например, вспомогательной информации или предположений о распределении данных) и любой симметричной и монотонной одномерной функции потерь ожидаемая потеря любого дифференциально-частного механизма может быть сопоставлена или улучшена путем запуска геометрического механизма, за которым следует независимый от данных постобработка преобразования. Результат также справедлив для минимаксных (не склонных к риску) потребителей.^[3] Такого универсального механизма для многомерных функций потерь не существует.^[4]

Гауссовский механизм

Аналогично механизму Лапласа, механизм Гаусса добавляет шум, взятый из Гауссово распределение чья дисперсия откалибрована в соответствии с параметрами чувствительности и конфиденциальности. Для любого ${ Displaystyle дельта в (0,1)}$ и ${ displaystyle epsilon in (0,1)}$ , механизм определяется:

Гауссов механизм.

${ displaystyle { mathcal {M}} _ { text {Gauss}} (x, f, epsilon, delta) = f (x) + { mathcal {N}} left ( mu = 0, sigma ^ {2} = { frac {2 ln (1,25 / delta) cdot ( Delta f) ^ {2}} { epsilon ^ {2}}} right)}$

обеспечивает ${ displaystyle ( epsilon, delta)}$ -дифференциальная конфиденциальность.

Обратите внимание, что, в отличие от механизма Лапласа, ${ displaystyle { mathcal {M}} _ { text {Gauss}}}$ только удовлетворяет ${ displaystyle ( epsilon, delta)}$ -дифференциальная конфиденциальность с ${ displaystyle delta> 1}$ . Чтобы доказать это, достаточно показать, что с вероятностью не менее ${ displaystyle 1- delta}$ , распределение ${ displaystyle { mathcal {M}} _ { text {Gauss}} (x, f, epsilon, delta)}$ близко к ${ displaystyle { mathcal {M}} _ { text {Gauss}} (y, f, epsilon, delta)}$ . Доказательство немного сложнее (см. Приложение A в книге Дворка и Рота.^[5]).

Механизмы для функций большой размерности

Для функций большой размерности вида ${ displaystyle f: { mathcal {D}} to mathbb {R} ^ {d}}$ , куда ${ displaystyle d geq 2}$ , чувствительность ${ displaystyle f}$ измеряется под ${ displaystyle ell _ {1}}$ или же ${ displaystyle ell _ {2}}$ нормы. Эквивалентный гауссовский механизм, удовлетворяющий ${ displaystyle ( epsilon, delta)}$ -дифференциальная конфиденциальность для такой функции (все еще в предположении, что ${ displaystyle epsilon <1}$ ) является

${ displaystyle { mathcal {M}} _ { text {Gauss}} (x, f, epsilon, delta) = f (x) + { mathcal {N}} ^ {d} left ( mu = 0, sigma ^ {2} = { frac {2 ln (1.25 / delta) cdot ( Delta _ {2} f) ^ {2}} { epsilon ^ {2}}} верно),}$

куда ${ displaystyle Delta _ {2} f}$ представляет собой чувствительность ${ displaystyle f}$ под ${ displaystyle ell _ {2}}$ норма и ${ displaystyle { mathcal {N}} ^ {d} (0, sigma ^ {2})}$ представляет ${ displaystyle d}$ -мерный вектор, где каждая координата является шумом, выбранным в соответствии с ${ Displaystyle { mathcal {N}} (0, sigma ^ {2})}$ независимо от других координат (см. Дворк и Рот^[5] для доказательства).

Navigation