人员级差分隐私离散分布学习算法提出
热点事件持续更新
人员级差分隐私离散分布学习算法提出
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
有研究者在批处理设置下提出学习离散分布的多项式时间算法，目标是在人员级差分隐私下以更少样本达到给定精度。作者 Gautam Kamath 称，该算法在纯 (ε,0)-DP 下所需样本量为 n = Õ(k/(α²m)+k/(α√mε)+k/ε)，是首个在对数因子内匹配信息论最优界的纯 DP 多项式时间保证。 该结论针对纯差分隐私下的样本复杂度，作者同时称在近似差分隐私下也给出了多项式时间算法；实际所需样本量取决于分布类别数 k、精度 α、隐私预算 ε 等参数。
AI 根据报道生成 · 3 小时前更新
最新进展10月23日 01:40
在批处理设置下实现最优效率的离散分布学习：面向用户级差分隐私的算法研究报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv 隐私论文在批处理设置下实现最优效率的离散分布学习：面向用户级差分隐私的算法研究
该研究在批处理设置下给出学习离散分布的多项式时间算法，在纯 (ε,0)-DP 下达到 n = Õ(k/(α²m)+k/(α√mε)+k/ε)，是首个在对数因子内匹配信息论最优界的纯 DP 多项式时间保证。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月23日 11:00
- 近 24 小时变化
- –
02468
11:0012:0013:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。