几何概念的差分隐私学习

我们提出了用于学习平面内多边形并集（不一定为凸）的差分隐私高效算法。我们的算法使用大小为 $\tilde{O}\left(\frac{1}{\alpha\epsilon}k\log d\right)$ 的样本实现了 $(\alpha,\beta)$-PAC 学习和 $(\epsilon,\delta)$-差分隐私，其中域为 $[d]\times[d]$，$k$ 为多边形并集中的边数。