CPL - Chalmers Publication Library
| Utbildning | Forskning | Styrkeområden | Om Chalmers | In English In English Ej inloggad.

Robust and private Bayesian inference

Christos Dimitrakakis (Institutionen för data- och informationsteknik, Datavetenskap, Algoritmer (Chalmers)) ; Blaine Nelson ; Aikaterini Mitrokotsa (Institutionen för data- och informationsteknik, Nätverk och system (Chalmers) ) ; Benjamin Rubinstein
Lecture Notes in Artificial Intelligence: Algorithmic Learning Theory (ALT). 25th International Conference on Algorithmic Learning Theory (ALT), Bled, SLOVENIA, OCT 08-10, 2014 (0302-9743). Vol. 8776 (2014), p. 291-305.
[Konferensbidrag, refereegranskat]

We examine the robustness and privacy of Bayesian inference, under assumptions on the prior, and with no modifications to the Bayesian framework. First, we generalise the concept of differential privacy to arbitrary dataset distances, outcome spaces and distribution families. We then prove bounds on the robustness of the posterior, introduce a posterior sampling mechanism, show that it is differentially private and provide finite sample bounds for distinguishability-based privacy under a strong adversarial model. Finally, we give examples satisfying our assumptions.



Den här publikationen ingår i följande styrkeområden:

Läs mer om Chalmers styrkeområden  

Denna post skapades 2015-01-07. Senast ändrad 2016-08-22.
CPL Pubid: 209966

 

Läs direkt!


Länk till annan sajt (kan kräva inloggning)