带公开数据的最优局部隐私非参数分类
机器学习
2024-06-04 v3 密码学与安全
机器学习
摘要
本工作中，我们研究公开数据辅助的非交互式局部差分隐私（LDP）学习问题，重点关注非参数分类。在后验漂移假设下，我们首次推导了带 LDP 约束的极小极大最优收敛速率。随后，我们提出一种新方法——局部差分隐私分类树，其达到了极小极大最优收敛速率。此外，我们设计了数据驱动的剪枝过程，避免参数调优并提供快速收敛的估计量。在合成与真实数据集上的综合实验显示了所提方法的优越性能。我们的理论与实验发现均证明了公开数据相较私有数据的有效性，这为优先收集非私有数据提供了实践建议。
引用
@article{arxiv.2311.11369,
title = {Optimal Locally Private Nonparametric Classification with Public Data},
author = {Yuheng Ma and Hanfang Yang},
journal= {arXiv preprint arXiv:2311.11369},
year = {2024}
}