非交互式本地差分隐私中的学习 versus 反驳
机器学习
2022-10-28 v1 密码学与安全
数据结构与算法
机器学习
摘要
我们研究非交互式本地差分隐私(LDP)中的两个基本统计任务:学习与反驳。学习需要从(从某分布抽取的)带标签样本中找出最契合未知目标函数的概念,而反驳需要区分与类中某概念高度相关的数据分布与标签随机的数据分布。我们的主要结果是对非交互式 LDP 协议下不可知 PAC 学习的样本复杂度的完整刻画。我们表明,任何概念类的最优样本复杂度由该类对应的自然矩阵的近似 范数刻画。结合先前工作[Edmonds, Nikolov and Ullman, 2019],这给出了不可知设定下学习与反驳的等价性。
引用
@article{arxiv.2210.15439,
title = {Learning versus Refutation in Noninteractive Local Differential Privacy},
author = {Alexander Edmonds and Aleksandar Nikolov and Toniann Pitassi},
journal= {arXiv preprint arXiv:2210.15439},
year = {2022}
}