在线与差分隐私张量分解
机器学习
2016-12-16 v4 机器学习
摘要
本文解决了张量分解在鲁棒性、内存效率和差分隐私方面的许多关键算法问题。我们提出了张量幂方法的简单变体，这些变体具备这些优良性质。我们首次给出了具有线性内存需求的在线张量幂方法的保证。此外，我们提出了一种具有高效隐私保证的噪声校准张量幂方法。所有这些保证的核心在于本文推导出的一个细致的扰动分析，该分析显著改进了现有结果。
引用
@article{arxiv.1606.06237,
title = {Online and Differentially-Private Tensor Decomposition},
author = {Yining Wang and Animashree Anandkumar},
journal= {arXiv preprint arXiv:1606.06237},
year = {2016}
}
备注
19 pages, 9 figures. To appear at the 30th Annual Conference on Advances in Neural Information Processing Systems (NIPS 2016), to be held at Barcelona, Spain. Fix small typos in proofs of Lemmas C.5 and C.6