用于学习分离高斯混合的差分隐私算法
数据结构与算法
2019-10-17 v2 密码学与安全
信息论
机器学习
math.IT
机器学习
摘要
学习高斯混合模型的参数是一个基础且被广泛研究的问题，具有众多应用。在这项工作中，我们给出了在差分隐私这一强约束下学习高维、良好分离的 Gaussian 混合模型参数的新算法。特别地，我们给出了 Achlioptas 与 McSherry 算法的差分隐私类比。我们的算法具有先前工作未实现的两个关键性质：（1）在广泛的参数范围内，算法的样本复杂度与相应的非隐私算法仅相差低阶项。（2）算法不需要对混合分量的参数有强的先验界。
引用
@article{arxiv.1909.03951,
title = {Differentially Private Algorithms for Learning Mixtures of Separated Gaussians},
author = {Gautam Kamath and Or Sheffet and Vikrant Singhal and Jonathan Ullman},
journal= {arXiv preprint arXiv:1909.03951},
year = {2019}
}
备注
To appear in NeurIPS 2019