Buchumschlag

Differentially Private Range Queries with Correlated Input Perturbation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dharangutte, Prathamesh, Gao, Jie, Gong, Ruobin, Wang, Guanyang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Differentially Private E-Values
von: Csillag, Daniel, et al.
Veröffentlicht: (2025)

Differentially Private Covariate Balancing Causal Inference
von: Ohnishi, Yuki, et al.
Veröffentlicht: (2024)

Majority Vote for Distributed Differentially Private Sign Selection
von: Liu, Weidong, et al.
Veröffentlicht: (2022)

Improving the Variance of Differentially Private Randomized Experiments through Clustering
von: Javanmard, Adel, et al.
Veröffentlicht: (2023)

PrivATE: Differentially Private Confidence Intervals for Average Treatment Effects
von: Schröder, Maresa, et al.
Veröffentlicht: (2025)

Inference With Combining Rules From Multiple Differentially Private Synthetic Datasets
von: Nombo, Leila, et al.
Veröffentlicht: (2024)

Differentially Private Inference for Longitudinal Linear Regression
von: Sopa, Getoar, et al.
Veröffentlicht: (2026)

Differentially Private Permutation Tests: Applications to Kernel Methods
von: Kim, Ilmun, et al.
Veröffentlicht: (2023)

Score Attack: A Lower Bound Technique for Optimal Differentially Private Learning
von: Cai, T. Tony, et al.
Veröffentlicht: (2023)

CURATE: Scaling-up Differentially Private Causal Graph Discovery
von: Bhattacharjee, Payel, et al.
Veröffentlicht: (2024)

PrAda-GAN: A Private Adaptive Generative Adversarial Network with Bayes Network Structure
von: Jia, Ke, et al.
Veröffentlicht: (2025)

Differentially Private Federated Learning: Servers Trustworthiness, Estimation, and Statistical Inference
von: Zhang, Zhe, et al.
Veröffentlicht: (2024)

Testing Credibility of Public and Private Surveys through the Lens of Regression
von: Basu, Debabrota, et al.
Veröffentlicht: (2024)

Data Poisoning Attacks to Locally Differentially Private Range Query Protocols
von: Liao, Ting-Wei, et al.
Veröffentlicht: (2025)

Sequentially Auditing Differential Privacy
von: González, Tomás, et al.
Veröffentlicht: (2025)

Auditing Differential Privacy in the Black-Box Setting
von: Shi, Kaining, et al.
Veröffentlicht: (2025)

Private Prediction Sets
von: Angelopoulos, Anastasios N., et al.
Veröffentlicht: (2021)

A Refreshment Stirred, Not Shaken: Invariant-Preserving Deployments of Differential Privacy for the U.S. Decennial Census
von: Bailie, James, et al.
Veröffentlicht: (2025)

Improving the Privacy and Practicality of Objective Perturbation for Differentially Private Linear Learners
von: Redberg, Rachel, et al.
Veröffentlicht: (2023)

Differentially Private Distribution Release of Gaussian Mixture Models via KL-Divergence Minimization
von: Liu, Hang, et al.
Veröffentlicht: (2025)

Correlated Noise Mechanisms for Differentially Private Learning
von: Pillutla, Krishna, et al.
Veröffentlicht: (2025)

Differentially Private Verification of Survey-Weighted Estimates
von: Lin, Tong, et al.
Veröffentlicht: (2024)

Federated Transfer Learning with Differential Privacy
von: Li, Mengchu, et al.
Veröffentlicht: (2024)

Output Perturbation for Differentially Private Convex Optimization: Faster and More General
von: Lowy, Andrew, et al.
Veröffentlicht: (2021)

Mitigating Privacy-Utility Trade-off in Decentralized Federated Learning via $f$-Differential Privacy
von: Li, Xiang, et al.
Veröffentlicht: (2025)

A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research
von: Bhadani, Rahul
Veröffentlicht: (2024)

De-amplifying Bias from Differential Privacy in Language Model Fine-tuning
von: Srivastava, Sanjari, et al.
Veröffentlicht: (2024)

Distribution-Aware Mean Estimation under User-level Local Differential Privacy
von: Pla, Corentin, et al.
Veröffentlicht: (2024)

Differentially Private Finite Population Estimation via Survey Weight Regularization
von: Seeman, Jeremy, et al.
Veröffentlicht: (2024)

Certified Causal Defense with Generalizable Robustness
von: Qiao, Yiran, et al.
Veröffentlicht: (2024)

Estimation of conditional average treatment effects on distributed confidential data
von: Kawamata, Yuji, et al.
Veröffentlicht: (2024)

Privacy Preserving Adaptive Experiment Design
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

Resampling methods for private statistical inference
von: Chadha, Karan, et al.
Veröffentlicht: (2024)

Watermarking Counterfactual Explanations
von: Guo, Hangzhi, et al.
Veröffentlicht: (2024)

CausalArmor: Efficient Indirect Prompt Injection Guardrails via Causal Attribution
von: Kim, Minbeom, et al.
Veröffentlicht: (2026)

Differentially Private Attention Computation
von: Gao, Yeqi, et al.
Veröffentlicht: (2023)

PrivORL: Differentially Private Synthetic Dataset for Offline Reinforcement Learning
von: Gong, Chen, et al.
Veröffentlicht: (2025)

Beyond One-Size-Fits-All: Neural Networks for Differentially Private Tabular Data Synthesis
von: Chen, Kai, et al.
Veröffentlicht: (2025)

Differentially Private Joint Independence Test
von: Liu, Xingwei, et al.
Veröffentlicht: (2025)

Differentially Private Federated Learning: A Systematic Review
von: Fu, Jie, et al.
Veröffentlicht: (2024)