We study the problem of high-dimensional robust mean estimation in an online
setting. Specifically, we consider a scenario where $n$ sensors are measuring
some common, ongoing phenomenon. At each time step $t=1,2
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。