Private Linear Regression with Differential Privacy and PAC Privacy

要約

線形回帰は統計解析の基本的なツールであり、学習されたモデルがそれを構築するために使用されたどのデータポイントについてもほとんど明らかにしないように、証明可能なプライバシー保証を満たす線形回帰法の開発の動機となっている。ほとんどの既存のプライバシー保護線形回帰手法は、確立された差分プライバシーの枠組みに依存しているが、新しく提案されたPACプライバシーは、この文脈ではまだ検討されていない。本稿では、差分プライバシーとPACプライバシーを用いて学習された線形回帰モデルを、3つの実世界のデータセットで系統的に比較し、プライバシー保存線形回帰の性能に影響を与えるいくつかの重要な発見を観察する。

要約(オリジナル)

Linear regression is a fundamental tool for statistical analysis, which has motivated the development of linear regression methods that satisfy provable privacy guarantees so that the learned model reveals little about any one data point used to construct it. Most existing privacy-preserving linear regression methods rely on the well-established framework of differential privacy, while the newly proposed PAC Privacy has not yet been explored in this context. In this paper, we systematically compare linear regression models trained with differential privacy and PAC privacy across three real-world datasets, observing several key findings that impact the performance of privacy-preserving linear regression.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL