Smooth Sensitivity for Learning Differentially-Private yet Accurate Rule Lists

本文旨在改善隐私保护和模型准确性之间的平衡问题，通过将差分隐私机制嵌入到机器学习算法的设计中，来保护所得模型免受隐私泄露。然而，这通常会导致显著的准确性损失。本文针对规则列表模型，通过建立Gini不纯度的平滑敏感度，并利用它提出一种差分隐私贪心规则列表算法来改善这种平衡问题。特别地，我们的理论分析和实验结果表明，集成平滑敏感度的差分隐私规则列表模型比其他基于全局敏感度的差分隐私框架具有更高的准确性。

论文试图提高差分隐私机制在机器学习算法中的应用，尤其是在规则列表模型中的应用，以平衡隐私保护和准确性之间的权衡。

论文提出了一种基于Gini不纯度的平滑敏感度的差分隐私贪心规则列表算法，通过理论分析和实验结果证明该算法比其他全局敏感度的差分隐私框架具有更高的准确性。

论文使用了平滑敏感度来提高规则列表模型的准确性，同时保护隐私。实验结果表明，该算法相比其他差分隐私框架具有更好的准确性。论文还提供了开源代码和数据集。

最近的相关研究包括：1）使用差分隐私保护机器学习模型的研究；2）使用规则列表模型的研究；3）使用平滑敏感度来提高差分隐私算法的研究。