研究怎样在不假设样本的基础分布为高斯分布的前提下,只假定有限个矩的情况下,有效地进行线性回归和协方差估计,并关注能用多少样本来实现高精度和指数级成功概率。使用八阶圆当量半定规划提供算法,预备性的证据表明在我们的算法使用的平均中位数框架中无法在多项式时间内改善这些误差率。
Dec, 2019
本文提出了一种多项式时间、多项式采样、差分隐私的算法,用于估计任意高斯分布的均值和协方差,且不需要先验参数范围。该算法的主要技术工具是一种新的差分隐私的预处理器,可以从任意的高斯分布中取样并返回一个矩阵 A,使得 A × Σ × A^T 具有固定的条件数字。
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
在截断设置下,通过统计查询 (SQ) 下界和超多项式的信息计算差,我们研究了估计截断恒等协方差高斯分布的均值问题。
Mar, 2024
本文针对高维下平均数估计的稳健模型、对抗性污染和相应算法进行研究,提出了一种基于当前猜测值参数化的 SDP 族的自然算法,并经证明该算法在次线性时间内逼近真实平均数并达到了理论误差的信息论最优解,同时认为该算法还能进一步实现高维稳健学习问题的次线性时间算法。
Nov, 2018
提出两种样本有效的差分隐私均值估计器,可用于具有未知协方差的 $d$ 维(子)高斯分布。这些估计器是基于一种简单通用的设计差分隐私机制的方法实现的,但需要新颖的技术步骤使其保持隐私和有效性。
Jun, 2021
本文给出了关于有边界 k 阶矩分布不同隐私均值估计的最小最大样本复杂度的上下界,包括单变量和多变量情况,通过研究发现具有差分隐私约束时的样本复杂度与没有隐私时不同。
Feb, 2020
本文提出了一种高效的估算器以应对截断线性回归问题,并通过实验数据验证了其准确性。
Oct, 2020
本文研究了协方差矩阵的估计问题,当仅有小部分样本被恶意更改时,我们提出了一种运行时间接近计算经验协方差且具有最佳误差保证的算法,该算法适用于高维分布,能处理高斯分布等深度分布结构及矩阵乘法指数中的病态情形。
Jun, 2019
通过指纹技术和贝叶斯方法,我们改进了高维度隐私估计的下界。我们提出了计算高斯协方差和重尾分布均值的样本数量下界,并与先前工作的结论进行了比较。
Oct, 2023