Differentially Private Publishing of High-dimensional DataUsing Sensitivity Control

motivation：针对高维度下数据集的列计数问题，因为敏感度太高，正常加拉普拉斯噪声效果很差（添加一个元祖都为1，每列都会添加1，有d列），所以需要加更多的噪声去满足差分隐私。

methods：所以提出了一种控制敏感度的方法DPSense去降低敏感度从而降低所需要加的噪声。DPsense选择一个阈值，计算有限制的敏感度数据集，然后在列计数添加噪声。为了选择阈值，介绍了一种low-sensitivity quality function，可以利用指数机制选择一个desired θ，我们设计了质量函数来同时考虑数据集的性质和添加噪声的影响，加入的噪声变小，发布的计数更准确，还说明了质量函数和真实的MAE之间的关系，进一步说明了质量函数的优势。在DPSense基础上，进一步提出了一种扩展去修正under-estimation bias​​​​​​​，称为DPsense-S，DPSense-S还试图通过同时选择θ和一个比例因子α，从θ限制的数据中产生噪声计数，来纠正由于灵敏度限制而造成的系统低估 ，并将噪声计数乘以α来纠正低估。采用质量函数(θ， α)来估计灵敏度限制、噪声添加和缩放后的误差。

experiments：

conclusion：

现有进展：1.在行计数上设置一个上界θ（upper threshold θ），该行可以归一化，使每个非零单元格有一