Mar, 2018
重新审视差分隐私线性回归：无界域中的最优自适应预测和估计
Revisiting differentially private linear regression: optimal and
adaptive prediction & estimation in unbounded domain
TL;DR本文研究了在差分隐私约束下的线性回归问题，恢复了特征、标签和系数域在优化误差和估计误差中的正确依赖性，并提出了两种简单修改的差分隐私算法：后验采样和充足统计扰动，并展示它们可升级为能针对每个实例利用数据相关量并行为几乎最优的自适应算法。作者在36个数据集上进行了广泛的实验，结果表明两种自适应算法优于现有技术。