基于差分隐私与差分估计器的对抗式流处理框架
数据结构与算法
2022-09-27 v2 机器学习
摘要
经典流算法在输入流预先固定这一（并非总是合理的）假设下运行。近来，设计鲁棒流算法的兴趣日益增长，这类算法即使在输入流随执行过程自适应选择时也能提供可证明的保证。我们提出了一种结合 Hassidim 等人 [NeurIPS 2020] 与 Woodruff 和 Zhou [FOCS 2021] 最近提出的两个框架技术的鲁棒流新框架。这些近期提出的框架依赖于非常不同的思想，各有其优势与弱点。我们将这两个框架组合为一个单一的混合框架，获得了“两全其美”的效果，从而解决了 Woodruff 和 Zhou 留下的一个开放问题。
引用
@article{arxiv.2107.14527,
title = {A Framework for Adversarial Streaming via Differential Privacy and Difference Estimators},
author = {Idan Attias and Edith Cohen and Moshe Shechner and Uri Stemmer},
journal= {arXiv preprint arXiv:2107.14527},
year = {2022}
}