一次性收集，有效利用：使非交互式本地隐私学习成为可能
机器学习
2017-06-13 v1 数据结构与算法
摘要
非交互式本地差分隐私（LDP）要求数据分析师通过有噪信道一次性从用户处收集数据。在本文中，我们从几个方面拓展了非交互式 LDP 学习与估计的边界。对于具有平滑广义线性损失的学习，我们提出了一个利用切比雪夫展开从非交互式 LDP 信道中估计出的近似随机梯度预言机。结合非精确梯度方法，我们获得了一个具有拟多项式样本复杂度界的高效算法。对于高维世界，我们发现在对数据点有 -范数假设的情况下，利用随机投影和近似恢复，高维稀疏线性回归和均值估计可以实现对维度的对数依赖。我们还将我们的方法扩展到了核岭回归。我们的工作是首个在非交互式 LDP 模型下使广泛学习任务的学习与估计成为可能的研究。
引用
@article{arxiv.1706.03316,
title = {Collect at Once, Use Effectively: Making Non-interactive Locally Private Learning Possible},
author = {Kai Zheng and Wenlong Mou and Liwei Wang},
journal= {arXiv preprint arXiv:1706.03316},
year = {2017}
}