新原语突破联邦差分隐私选择下界

Hilal Asi 等人提出在标准噪声聚合原语之外新增一个实现稀疏向量技术（SVT）的原语，并基于它给出 ε-差分隐私选择算法。论文称，在标准噪声聚合原语下，任何隐私选择算法都需要 Ω(√d/ε) 个样本，这是聚合模型固有的限制；新算法在维度 d 上达到 O(log(dn)/ε) 的加性误差，当 n 相对 d 为多项式有界时与中心模型持平，期望 SVT 查询次数为 O(d log*d)。 作者称该原语在各种信任模型下都有简单实现，但报道未给出实验验证或实际部署结果。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。