利用未经验证的辅助数据进行更好的私有分布测试
机器学习
2025-03-20 v1 密码学与安全
数据结构与算法
摘要
我们将增强分布测试框架扩展至差分隐私设置。这涵盖了数据分析师必须对敏感数据执行假设检验任务，但能够利用关于数据分布的先验知识（公开的，但可能出错或不可信）的场景。我们在此增强设置中为三个旗舰分布测试任务——均匀性测试、身份测试和closeness测试——设计了私有算法，其样本复杂度随辅助信息声称的质量平滑变化。我们以信息论下界补充了算法，证明其样本复杂度是最优的（在对数因子以内）。
引用
@article{arxiv.2503.14709,
title = {Better Private Distribution Testing by Leveraging Unverified Auxiliary Data},
author = {Maryam Aliakbarpour and Arnav Burudgunte and Clément Cannone and Ronitt Rubinfeld},
journal= {arXiv preprint arXiv:2503.14709},
year = {2025}
}