Matrix‑Faktorisierung: Mittelwertschätzung mit nutzerbezogener Privatsphäre

Ein neues arXiv‑Veröffentlichung beleuchtet die Herausforderung der kontinuierlichen Mittelwertschätzung, bei der Datenvektoren nacheinander eintreffen und ein stets aktueller Durchschnitt berechnet werden soll. Der Fokus liegt dabei auf der nutzerbezogenen Differentialprivatität, die das gesamte Datenset eines Nutzers schützt, selbst wenn dieser mehrere Datenpunkte liefert.

Frühere Ansätze haben sich ausschließlich auf reine Differentialprivatität konzentriert. Obwohl sie theoretisch robust sind, führen sie zu stark verrauschten Schätzungen, die in der Praxis weniger nutzbar sind. Das aktuelle Papier weicht von diesem Ansatz ab und untersucht die Problemstellung unter approximativer Differentialprivatität.

Zur Lösung wird die Matrix‑Faktorisierungsmethode eingesetzt, die in jüngsten Arbeiten für Privatsphäre‑gestützte Datenanalyse erfolgreich war. Die Autoren entwickeln eine speziell auf Mittelwertschätzungen zugeschnittene Faktorisierung, die sowohl effizient als auch genauer ist. Durch diese Innovation erreichen sie asymptotisch niedrigere mittlere quadratische Fehler (MSE) als bisherige Verfahren.

Die Ergebnisse zeigen, dass die Kombination aus Matrix‑Faktorisierung und approximativer Differentialprivatität die Genauigkeit der laufenden Mittelwertschätzung deutlich verbessert, ohne die Privatsphäre der Nutzer zu gefährden. Diese Fortschritte eröffnen neue Möglichkeiten für Anwendungen, die kontinuierliche Datenanalyse mit hohem Datenschutzbedarf erfordern.