改进的差分隐私与懒惰在线凸优化
密码学与安全
2023-12-21 v2 数据结构与算法
机器学习
机器学习
摘要
我们研究-差分隐私在线凸优化（OCO）任务。在线设置中，每个不同决策或迭代的发布都伴随着隐私损失的可能性。该问题有着悠久的研究历史，始于Jain等人[2012]，而不是非常小的情况下的最佳已知结果由Agarwal等人[2023]给出。本文在维度因子方面改进了Agarwal等人[2023]的结果，并去除了光滑性的要求。我们的结果现在是该情况下DP-OCO的最佳已知速率。我们的算法建立在Asi等人[2023]的工作基础上，该工作引入了通过拒绝采样显式限制切换次数的思想。我们算法的主要创新在于使用从强对数凹密度中采样，这使得我们能够更好地权衡维度因子，从而获得改进的结果。
引用
@article{arxiv.2312.11534,
title = {Improved Differentially Private and Lazy Online Convex Optimization},
author = {Naman Agarwal and Satyen Kale and Karan Singh and Abhradeep Guha Thakurta},
journal= {arXiv preprint arXiv:2312.11534},
year = {2023}
}