关于差分隐私在线学习中错误的增长：下界视角

Daniil Dmitriev; Kristóf Szabó; Amartya Sanyal

关于差分隐私在线学习中错误的增长：下界视角

机器学习 2024-10-22 v3 密码学与安全

作者: Daniil Dmitriev , Kristóf Szabó , Amartya Sanyal

摘要

在本文中，我们为差分隐私 (DP) 在线学习算法提供了下界。我们的结果表明，对于一大类 $(\varepsilon,\delta)$ -DP 在线算法，当轮数 $T$ 满足 $\log T\leq O(1 / \delta)$ 时，算法产生的预期错误数量以 $\Omega(\log \frac{T}{\delta})$ 的速度增长。这与 Golowich 和 Livni (2021) 获得的上界相匹配，并与非隐私在线学习形成对比，后者的错误数量与 $T$ 无关。据我们所知，我们的工作是解决 DP-在线学习下界的首个结果，并部分解决了 Sanyal 和 Ramponi (2022) 中提出的开放问题。

关键词

差分隐私在线学习下界错误界隐私参数在线算法预期错误学习理论差分隐私

引用

@article{arxiv.2402.16778,
  title  = {On the Growth of Mistakes in Differentially Private Online Learning: A Lower Bound Perspective},
  author = {Daniil Dmitriev and Kristóf Szabó and Amartya Sanyal},
  journal= {arXiv preprint arXiv:2402.16778},
  year   = {2024}
}

备注

Accepted at the Conference on Learning Theory (COLT) 2024, Edmonton, Canada

关于差分隐私在线学习中错误的增长：下界视角

摘要

关键词

引用

备注

相关论文