关于在非交互式本地隐私模型下利用公共无标签数据的半空间 PAC 学习
机器学习
2022-09-20 v1
摘要
在本文中，我们研究了非交互式本地差分隐私模型（NLDP）下半空间的 PAC 学习问题。为突破指数级样本复杂度的障碍，先前的结果研究了一种放宽设定，即服务器可访问一些额外的公共但无标签的数据。我们沿此方向继续研究。具体而言，我们考虑标准设定，而非之前研究的大间隔设定。在关于底层数据分布的不同温和假设下，我们提出了两种基于 Massart 噪声模型和自监督学习的方法，并表明对于私有数据和公共数据均有可能实现仅在维度上线性且在其他项上多项式的样本复杂度，这显著改进了先前的结果。我们的方法也可用于其他私有 PAC 学习问题。
引用
@article{arxiv.2209.08319,
title = {On PAC Learning Halfspaces in Non-interactive Local Privacy Model with Public Unlabeled Data},
author = {Jinyan Su and Jinhui Xu and Di Wang},
journal= {arXiv preprint arXiv:2209.08319},
year = {2022}
}
备注
To appear in The 14th Asian Conference on Machine Learning (ACML 2022)