基于图论的差分隐私可学习性的统一刻画
机器学习
2024-06-13 v4
摘要
我们提供了一个用于刻画纯差分隐私（DP）与近似差分隐私可学习性的统一框架。该框架使用图论语言：对概念类 ，我们定义其矛盾图 。其顶点为可实现数据集，两个数据集 若相互矛盾（即存在点 在 与 中标签不同）则以边相连。我们的主要发现是， 的组合结构与在 DP 下学习 深度相关。纯 DP 下学习 由 的分数团数刻画；近似 DP 下学习 由 的团数刻画。由此，我们识别出刻画 DP 可学习性的图论维度：团维数与分数团维数。在此过程中，我们揭示了矛盾图的一些可能具有独立兴趣的性质。我们也提出了若干开放问题及未来研究方向。
引用
@article{arxiv.2304.03996,
title = {A Unified Characterization of Private Learnability via Graph Theory},
author = {Noga Alon and Shay Moran and Hilla Schefler and Amir Yehudayoff},
journal= {arXiv preprint arXiv:2304.03996},
year = {2024}
}