差分隐私协作式在线个性化均值估计

我们考虑在隐私约束下，多个代理持续接收根据任意未知代理特定分布的数据的环境中的协作式个性化均值估计问题。特别地，我们提供了一种基于假设检验结合差分隐私和数据方差估计的方法。提出了两种隐私机制和两种数据方差估计方案，并对所提出的算法在代理数据的任何有界未知分布下进行了理论收敛性分析，表明协作比代理不共享数据的完全本地方法收敛更快。此外，我们提供了具有oracle类估计器（即代理的类结构已知，其中从具有相同均值的分布接收数据的代理被视为属于同一类）情况下的分析性能曲线。理论上的比本地更快的收敛保证得到了大量数值结果的支持，表明在考虑的场景中，所提出的方法确实比完全本地方法收敛快得多，并且性能与所有数据公开的理想性能相当。这说明了在线设置中私有协作的好处。