Core Concepts
Mixture of Gaussians Mechanismsを使用して、DP-SGDにおけるグループレベルの(ε, δ)-DP保証を計算する手順を提供します。
Abstract
抽象:グループレベル(ε, δ)-DP保証の計算手順を提供。
導入:DP-SGDとサンプリングに焦点を当てる。
Poissonサンプリングまたは固定バッチサイズサンプリングでグループレベル(ε, δ)-DP保証を計算。
プライバシーロス分布:PLDアカウンティングの高レベル戦略と定義。
隣接データセットの形式化、α-hockey-stickダイバージェンス、PLDの重要性。
MoGメカニズム:MoGメカニズムの定義、支配ペアに関する補題、PLDアカウンティングへの適用。
DP-SGDへの適用:Poissonサンプリングと固定バッチサイズサンプリングに対するMoGメカニズムの適用方法と厳密性。
結果:実験結果と比較。PLDアカウンティングによるε値とLemma 1.1によるε値および下限値。
Stats
ポアソンサンプリングでは、2000ラウンドでσ = 1、δ = 10^-6時にk≥9でε = ∞が報告される。
固定バッチサイズサンプリングではB = 500でTラウンド後のε値が計算される。
Quotes
"このノートでは、Mixture of Gaussians (MoG) Mechanismsを使用した代替分析が提供されます。"
"結果は、MoGメカニズムの組成物質のPLDが正確な(ε, δ)-DP特性であることを示しています。"