12:19
官方账号arXiv cs.LG@Jinwon Sohn, Veronika Ročková
推荐理由：PGBB这招挺巧，把贝叶斯自助法改成按组分权重，不用给每个人的数据加独立噪声，隐私预算省了，后验不确定性也给得准。相比要预设生成模型的私有方法，它在人口普查数据上更好。
Bayesian bootstrap
共 1 条相关 AI 资讯
8月4日
12:19
arXiv新论文提出私有生成式贝叶斯自助法（PGBB），通过随机分组赋予组权重来隐藏个体贡献，实现差分隐私。该方法利用摊销推断将私有学习与后验采样解耦，训练时加入校准噪声，后续采样无需额外隐私预算。作者证明了PGBB的差分隐私保证，并分析了其与非私有分块自助目标的一致性。还推导了块Dirichlet浓度参数的数据无关调优，可渐近恢复后验离散度。在美国家庭收入教育回报和新生儿出生体重分位数等应用中，PGBB在常见设定下优于需要指定生成模型的私有贝叶斯替代方法。