mean estimation under differential privacy is a fundamental problem, but
worst-case optimal mechanisms do not offer meaningful utility guarantees in
practice when the global sensitivity is very large. Instead, va
对于从共享数据中进行统计学习和分析，在保证隐私和鲁棒性两个主要问题中，PRIME 是第一种同时实现了隐私性和鲁棒性的高效算法，可以应用于广泛的分布。我们还使用了一个新的指数时间算法来提高 PRIME 的样本复杂度，达到接近最优的保证，并与已知的（非鲁棒）私有均值估计的下限相匹配，说明同时保证隐私和鲁棒性不需要额外的统计代价。