纯私有agnostic学习的改进界限：项目级与用户级隐私

机器学习在广泛领域取得了显著进展。在许多场景下，学习是在涉及敏感信息的数据集上进行的，此时对学习算法的隐私保护至关重要。本文我们研究的是agnostic模型中的纯私有学习——这一反映实际学习过程的框架。我们考察了在项目级（每个用户贡献一个示例）和用户级（每个用户贡献多个示例）隐私下的所需用户数，并派生出几个改进的上界。对于项目级隐私，我们的算法为一般概念类实现了接近最优的界限。我们将其扩展到用户级设置，得到比Ghazi等人(2023)所证明的界限更紧的上界。最后，我们考虑在用户级隐私下学习阈值的问题，提出一个 nearly tight 用户复杂度的算法。