私有分类与在线预测之间的等价性
机器学习
2021-06-23 v3 密码学与安全
机器学习
摘要
我们证明，每一个具有有限 Littlestone 维的概念类都可以被（近似）差分私有算法学习。这回答了 Alon 等人（STOC 2019）提出的一个开放问题，他们证明了逆命题（该问题也被 Neel 等人（FOCS 2019）提出）。这两个结果共同给出了在线可学习性与私有 PAC 可学习性之间的等价性。我们引入了一种称为“全局稳定性”的算法稳定性新概念，它对我们证明至关重要且可能引起独立兴趣。我们还讨论了我们的结果在提升差分私有学习器的隐私与精度参数方面的应用。
引用
@article{arxiv.2003.00563,
title = {An Equivalence Between Private Classification and Online Prediction},
author = {Mark Bun and Roi Livni and Shay Moran},
journal= {arXiv preprint arXiv:2003.00563},
year = {2021}
}
备注
An earlier version of this manuscript claimed an upper bound over the sample complexity that is exponential in the Littlestone dimension. The argument was erranous, and the current version contains a correction, which leads to double-exponential dependence in the Littlestone-dimension