Jul, 2014
私有学习和加噪:纯差分隐私与近似差分隐私
Private Learning and Sanitization: Pure vs. Approximate Differential Privacy
Amos Beimel, Kobbi Nissim, Uri Stemmer
TL;DR该研究通过将真正的差分隐私和近似(ε,Δ)- 差分隐私应用于优化问题中,研究比较了私有学习和消毒的样本复杂性,同时构建了用于高维中的点函数,阈值函数和轴对齐矩形的私有学习器以及标签私有学习,证明了 VC 维完全刻画了学习带标签隐私的样本复杂性。