Puncte:0

Calculează nivelul de confidențialitate diferențial pentru orice algoritm randomizat

drapel ma

Am început recent să învăț confidențialitate diferențială pentru proiectul meu BTech. Înțeleg că adaugă zgomot fluxului de intrare pe baza unui nivel de confidențialitate (să zicem $\epsilon$) și o funcție de interogare (să zicem $f$), pentru a oferi confidențialitate setului de date de intrare. Parametrii de distribuție pentru semnalele zgomotoase sunt calculați numai pe baza acestor lucruri.

Acum să presupunem că avem un algoritm randomizat care adaugă zgomot la setul de date de intrare pe baza nivelului său de confidențialitate corespunzător (să zicem $\pi$) și nu ia în considerare nicio funcție de interogare în timpul calculării sale. Algoritmul oferă doar valori de zgomot pe baza formulării sale de confidențialitate.

Acum, dacă aleg o funcție de interogare (să spunem aceeași funcție $f$) și încercați să modelați semnalele zgomotoase ale algoritmului randomizat pentru a găsi nivelul diferențial de confidențialitate ($\epsilon$) al algoritmului randomizat, este posibil să se stabilească o relație între $\epsilon$ și $\pi$?

Sumana bagchi avatar
drapel ma
Nivelul de confidențialitate ajută la determinarea parametrilor de distribuție a zgomotului

Postează un răspuns

Majoritatea oamenilor nu înțeleg că a pune multe întrebări deblochează învățarea și îmbunătățește legătura interpersonală. În studiile lui Alison, de exemplu, deși oamenii își puteau aminti cu exactitate câte întrebări au fost puse în conversațiile lor, ei nu au intuit legătura dintre întrebări și apreciere. În patru studii, în care participanții au fost implicați în conversații ei înșiși sau au citit transcrieri ale conversațiilor altora, oamenii au avut tendința să nu realizeze că întrebarea ar influența – sau ar fi influențat – nivelul de prietenie dintre conversatori.