高维分布私密学习
该研究旨在解决高维分布学习中的拜占庭敌人问题,提出了面向单高斯、超立方体上的乘积分布及其混合分布和球形高斯的分布学习的算法,并为高维数据的拜占庭敌人问题提供了一种通用的检测与纠正方案。
Apr, 2016
本研究提出了一种新的算法,用于学习高维、高分离度的高斯混合模型的参数,该算法在满足差分隐私强约束的情况下具有与非隐私算法相同的样本复杂度,且不需要对混合组件参数进行先验限制。
Sep, 2019
在满足差分隐私的约束下,研究了估计混合高斯模型问题。通过使用新的框架,证明了高斯模型类的混合模型是可私密学习的,得到了估计混合高斯模型所需的样本数量的有界性,且不对 GMMs 作出任何结构性假设。
Sep, 2023
本文提出了对于自然广泛应用的多元产品分布,包括在已知协方差下的 Gaussians 和值域为 {±1}^d 的产品分布的新型差分私有(适合性)测试器。这些测试器相比于之前的技术得出了样本复杂度的改进,并且是第一个样本复杂度在许多参数区域与阶优化极小值样本复杂度相匹配的测试器。我们构建了两种类型的测试器,展示了样本复杂度和计算复杂度之间的权衡。最后,我们提供了多元产品分布的子类测试和单变量分布测试之间的双向约简,并因此获得了此类产品分布测试的上下界。
May, 2019
提出了一个将差分隐私统计估计转化为无差分隐私的框架,并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法,该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配,并且还证明了相似的结果,其中鲁棒学习高斯分布的样本复杂度更低。
Nov, 2021
本文针对高维高斯分布参数学习问题进行了研究,提出了鲁棒估计算法,在拥有少量恶意样本的情况下实现了 $O (ε)$ 精度的估计,同时也证明了算法的多项式时间复杂度和多项式数量样本要求。
Apr, 2017
提出了一种实用的差分隐私算法,可以回答高维数据集上的大量查询,并将计算困难的步骤封装为一个简洁定义的整数规划问题,以实现高效的回答。通过在 Netflix 数据集上的实验,证明了该算法的精度和隐私性定理,并提出了比现有技术显著改进的方案。
Feb, 2014
本研究提出了第一个能够在满足异质性隐私保护的同时,以多项式对数的复杂度准确地估算 0、1 分布乘积的均值的计算方法。这个方法能够以最优的样本复杂度来达成这个目的,并在总变差距离上实现精准估算。相比之前的工作,本方法能够在更低的保护要求下实现高效算法,同时不失最优性能,且不需要运行时间指数级增长。
Apr, 2023
研究了具有公共数据访问的私人分布学习问题,通过使用公共和私有样本来输出一个对分布 p 的估计,同时满足纯差分隐私的隐私约束。结果显示,Q 类的公共 - 私有可学习性与 Q 类的样本压缩方案以及中间概念列表学习的存在有关,并且将这种连接利用起来恢复了以前关于 Gaussians 和新的结果,包括关于高斯 $k$ 混合物的样本复杂性上界、关于自适应和分布转移抵抗学习的结果,以及在承担混合和分布乘积时广义公共 - 私有学习的闭合特性。最后,利用与列表学习的联系,结果显示对于 Gaussians 在 R^d 中,至少需要 d 个公共样本进行私人可学习性,这接近已知的 d+1 个公共样本的上界。
Aug, 2023