一次性差分隐私置信区间新框架提出
热点事件历史事件
一次性差分隐私置信区间新框架提出
1 篇报道1 个报道来源5 天前更新
先了解这件事
AI 综述
研究者 Shourya Pandey 提出一种一次性构建差分隐私置信区域的框架：只对最终重采样分位数加噪，而不对每次重采样的估计量分别加噪。 据该研究，在放回（m-out-of-n）采样下，隐私成本仅与重采样次数 B 成对数关系；在无放回（子采样）下与 B 无关，从而避免了此前工作中的 √B 因子。该框架为子采样和 m-out-of-n 重采样提供非渐近高斯差分隐私（GDP）与效用保证，覆盖分位数和退化 U 统计量等估计量。
AI 根据报道生成 · 3 天前更新
最新进展10月6日 22:47
一次性差分隐私置信区间：基于重采样的新框架报道时间线
沿着报道，了解事件的不同侧面。
10月6日
- arXiv 隐私论文一次性差分隐私置信区间：基于重采样的新框架
研究者提出一种一次性构建差分隐私置信区间的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量分别加噪。在放回（m-out-of-n）采样下隐私成本仅与重采样次数 B 成对数关系，在无放回（子采样）下与 B 无关，避免了此前工作中的 √B 因子。该框架为子采样和 m-out-of-n 重采样提供非渐近高斯差分隐私（GDP）与效用保证，覆盖分位数和退化 U 统计量等估计量。