连接数据点:数据集筛选、差分隐私和对抗不确定性
我们的工作集中于通过与($\epsilon$,$\delta$)- 差分隐私的敌对不确定性选择最优噪声 $\epsilon$ 以理解数据集浓缩的基本机制,提出敌对不确定性是实现最优噪声水平 $\epsilon$ 的最合适方法,并采用满意的噪声估计方案来保证高保真度数据和隐私。
我们的工作集中于通过与($\epsilon$,$\delta$)- 差分隐私的敌对不确定性选择最优噪声 $\epsilon$ 以理解数据集浓缩的基本机制,提出敌对不确定性是实现最优噪声水平 $\epsilon$ 的最合适方法,并采用满意的噪声估计方案来保证高保真度数据和隐私。