11:41
官方账号arXiv cs.LG@Arkajyoti Bhattacharjee, Arnab Auddy
推荐理由：这篇论文的DP-GRAMS能在差分隐私下找到密度模式，误差接近理论最优，还附赠回归和聚类版本。
模态学习
共 1 条相关 AI 资讯
8月3日
11:41
论文提出DP-GRAMS，一种基于均值漂移的差分隐私模态估计方法，用于多变量密度。该方法在Hölder平滑参数β>2时采用高阶核降低偏差，并用梯度裁剪和校准高斯噪声保护隐私。理论证明所有总体模态能以高概率恢复，渐近误差率为O((log n/n)^{2(β-1)/(d+2β)}) + O((polylog(n,δ)/(n^2ε^2))^{(β-1)/(d+β)})。作者还给出私有模态估计的极小极大下界，表明该估计器在均方误差上近乎最优，仅差对数因子。扩展版本DP-PMS和DP-GRAMS-C分别用于回归和聚类，实验显示隐私-效用权衡优于常见基线。