基于隐藏状态假设的多凸性优化的差分隐私小批量块坐标下降
机器学习
2025-06-03 v2
摘要
我们在多凸问题下研究隐藏状态假设 (HSA) 下的差分隐私保证。最近的隐私损失分析在HSA下依赖于诸如凸性等强假设，从而限制了其针对实际问题的适用性。在本文中，我们引入差分隐私小批量块坐标下降算法 (DP-MBCD)，并在隐藏状态假设下提出隐私损失计量方法。所提方法适用于广泛的经典非凸问题，这些问题本身或可转换为多凸问题，如矩阵分解和神经网络训练。除了更紧致的隐私损失界限外，我们的理论分析也与proximal梯度下降和自适应校准噪声情景相兼容。
引用
@article{arxiv.2407.08233,
title = {Hidden State Differential Private Mini-Batch Block Coordinate Descent for Multi-convexity Optimization},
author = {Ding Chen and Chen Liu},
journal= {arXiv preprint arXiv:2407.08233},
year = {2025}
}