隐私迁移学习的高维渐近分析与数据集选择

研究提出一种基于多源异构高维回归与加权岭回归估计器的数据集选择框架，用于隐私迁移学习。该方法仅依赖公开汇总统计量，可在 $\rho$-零集中差分隐私保证下推导出测试误差的确定性等价表达式，刻画样本量、模型偏移与隐私噪声的相互作用。该理论支持优化权重与正则化超参数，无需访问原始数据即可判定外部私有数据集的有效性。