差分隐私在线专家预测获低损失遗憾界
热点事件持续更新
差分隐私在线专家预测获低损失遗憾界
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
Bo Li 提出首个在专家在线预测中达到 Õ(√L⋆) 遗憾界的差分隐私算法，L⋆ 为最优专家的累计损失。该论文称，在低损失情形下这一界显著优于既有的 Õ(√T) 界；当隐私参数为常数时，它与非隐私下界仅差多对数因子。 该结果依赖输入序列为 oblivious，即序列预先固定、与算法输出无关。作者同时证明，对自适应生成的输入，即使 L⋆ = 0，Õ(√T) 遗憾也不可避免。
AI 根据报道生成 · 2 小时前更新
最新进展10月21日 19:18
面向专家的差分隐私在线预测：低损失情形下实现 Õ(√L⋆) 遗憾界报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv 隐私论文面向专家的差分隐私在线预测：低损失情形下实现 Õ(√L⋆) 遗憾界
该论文提出首个在专家在线预测中达到 Õ(√L⋆) 遗憾界的差分隐私算法，其中 L⋆ 为最优专家的累计损失，在低损失情形下显著优于既有 Õ(√T) 界。当隐私参数为常数时，该界与非隐私下界仅差多对数因子，表明此设定下隐私代价很小。结果依赖输入序列为 oblivious（预先固定且与算法输出无关），作者同时证明自适应生成的输入即使 L⋆ = 0 也无法避免 Õ(√T) 遗憾。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。