Differentially private random decision forests using smooth sensitivity

ما یک الگوریتم تصمیم گیری جدید متفاوت و خصوصی را پیشنهاد می دهیم که حداقل تعداد پرس و جو مورد نیاز و حساسیت این نمایش ها را به حداقل می رساند. برای انجام این کار، ما مجموعه ای از درخت های تصمیم گیری تصادفی را ایجاد می کنیم که از پرس و جو کردن داده های خصوصی اجتناب می ورزد، به جز برای پیدا کردن برچسب کلاس اکثریت در گره های برگ. به جای استفاده از یک پرس و جو شمارش برای بازگرداندن کلاس های کلاس مانند حالت فعلی از هنر، ما از مکانیسم نمایشی استفاده می کنیم تا تنها برچسب کلاس خود را صادر کنیم. این به شدت حساسیت پرس و جو را کاهش می دهد - اغلب با چندین مرتبه - که به نوبه خود باعث کاهش میزان نویز می شود که باید حفظ شود. حساسیت بهبود یافته ما با استفاده از حساسیت صاف به دست می آید، که به اطلاعات خاصی که در پرس و جو مورد استفاده قرار می گیرد را در نظر می گیرد و نه فرض بر بدترین سناریو. ما همچنین کارهای انجام شده در عمق مطلوب درختان تصمیم تصادفی را برای رسیدگی به ویژگی های مداوم، نه فقط ویژگی های گسسته گسترش می دهیم. این، همراه با چندین پیشرفت دیگر، ما را قادر می سازد تا یک جنگل تصمیم گیری متفاوتی را با قدرت پیش بینی کننده قابل ملاحظه ای نسبت به حالت فعلی پیشرفته ایجاد کنیم.