arXiv stat.ML· Mohammad Afzali, Hassan Ashtiani, Sivan Sabato·· 18 天前AI 评分30
本地差分隐私下单变量密度的不可知高效学习
Efficient Agnostic Learning of Univariate Densities Under Local Differential Privacy
AI 导读
研究人员提出了一个在非交互式本地差分隐私（LDP）下学习分段多项式可逼近结构化单变量分布的通用框架。该方法首次为对数凹分布混合（如高斯混合模型 GMM）等分布族提供了样本高效、计算高效且具备不可知（agnostic）保证的学习算法。此外，该工作还证明了 LDP 下学习 GMM 的更优下界，并开发了大域合成数据生成的高效算法。
来源：arXiv stat.ML · arxiv.org