下面是该篇论文提出的第二种解决方法:Hybrid Mechanism(混合机制)(简称HM)。
如上篇文章所讨论的,PM的最坏情况下的结果精度优于Laplace机制的精度,但是它仍然比Duchi等人的解决方案稍差一点,因为前者引起的噪声方差随的减小而减小,Duchi等人的解决方案会随着
的减小而为增加。那能否构造一种既保留PM优势又同时不比Duchi等人的解决方案差的方法?答案是肯定的:可以将PM和Duchi等人的解决方案结合到一个新的混合机制(HM)中。结果,HM的噪声方差通常小于PM和Duchi等人的解决方案,如图所示:
在给定输入值的情况下和
,HM引起的噪声方差为:
上篇文章提到,当 ≥ 1.29时,PM的最坏情况方差明显小于Duchi等人的解; 当
< 1.29时,PM的最差方差仅略大于后者。所以
就相当于
大于某一值(例如1.29)时的概率,而大于该值的输入用PM进行扰动;小于该值的输入用Duchi等人的解决方案进行扰动。其中,
和
分别表示给定
和作为输入时PM和Duchi等人的解决方案引起的噪声方差。
引理3:让定义为:
若 想取最小值,则需满足
(论文未给出证明^_^)。而当α满足上述分段函数时,HM的最坏情况噪声方差为:
上式即:时,最小方差采用PM的最小方差;
最小方差采用Duchi等人的解决方案。
推论1:假设α满足分段函数,
,则:
,则:
下图的红线显示了HM引起的最坏情况下的噪声方差,该方差始终不高于其他所有三种方法(对于,HM≤Duchi等人的解决方案 )。 此外,请注意PM的精度接近HM,这证明了PM的有效性。
至此,论文中差分隐私实现机制的内容就结束了,多维数据收集和分析的方法放到以后在讲吧。
That's all, good luck.