arXiv cs.AI· Valentin Dorseuil (DI-ENS), Meenatchi Sundaram Muthu Selva Annamalai (UCL), Jamal Atif (CMAP), Olivier Capp\'e (DI-ENS), Nicolas Papernot (Inria)·· 2 天前AI 评分40
选择偏差下差分隐私的可靠估计
Reliable Estimation of Differential Privacy under Selection Bias
AI 导读
一项 arXiv 研究发现，以往差分隐私（DP）审计在运行成员推断攻击（MIA）时普遍引入选择偏差，导致隐私泄露下界被高估、统计上无效。研究利用统计学工具提出多种校正方法并比较其优劣，对已有审计结果重新分析后发现：不做校正时，审计违反理论上界的频率最高达声称置信度所隐含水平的 4 倍；校正后下界统计有效，违反率不超过名义水平。
来源：arXiv cs.AI · arxiv.org