Рейтинг:1

Дифференциальная конфиденциальность с выбросами

флаг us

Чтобы использовать механизм Лапласа, мы должны получить глобальную чувствительность функции запроса. Что мы делаем в случае, когда в наборе данных есть один огромный выброс (или несколько выбросов), так что глобальная чувствительность становится слишком большой, а добавленный шум приводит к результатам запроса, которые больше не имеют смысла. В каком случае мы можем использовать местную чувствительность. Любые идеи, документы, ссылки будут оценены.

Рейтинг:0
флаг ru

В такой ситуации действительно мало что можно сделать. Шум параметризуется только $\Дельта f/\эпсилон$ куда $\Дельта f$ точно представляет, насколько функция изменяется, когда такой выброс добавляется или удаляется из запрашиваемого набора, и $\эпсилон$ точно определяет, насколько сложно противнику обнаружить изменение. Ваши варианты по существу являются одним или несколькими из следующих

  • упростить выявление выбросов (путем увеличения $\эпсилон$);
  • очистите ваши данные от выбросов (тем самым уменьшив $\Дельта f$ изменив допустимые подмножества, но поставив под сомнение целостность данных);
  • измените функцию запроса на что-то более гладкое, чтобы эффект выбросов был менее экстремальным (уменьшение $\Дельта f$ изменив функцию, но потенциально потеряв часть полученной информации).

Все это имеет недостатки.

Ответить или комментировать

Большинство людей не понимают, что склонность к познанию нового открывает путь к обучению и улучшает межличностные связи. В исследованиях Элисон, например, хотя люди могли точно вспомнить, сколько вопросов было задано в их разговорах, они не чувствовали интуитивно связи между вопросами и симпатиями. В четырех исследованиях, в которых участники сами участвовали в разговорах или читали стенограммы чужих разговоров, люди, как правило, не осознавали, что задаваемый вопрос повлияет — или повлиял — на уровень дружбы между собеседниками.