私有重复与元选择中的隐私-计算权衡
密码学与安全
2024-10-28 v1 数据结构与算法
机器学习
摘要
私有重复算法以具有常数成功概率的差分隐私算法为输入，将其提升为成功概率更高的算法。这些算法与私有元选择算法密切相关后者与针对私有学习算法的最佳私有超参数调优算法相吻合。现有算法在隐私成本或计算成本上要么付出大量开销。本文中，我们证明了此类问题的强下界，特别是对于任何保持隐私成本在常数因子范围内的算法，失败概率仅能以计算开销的多项式方式下降。这与非私有情形截然不同后者中，失败概率随计算开销的指数级下降。通过仔细组合现有元选择算法，我们证明了接近下界的计算-隐私权衡。
引用
@article{arxiv.2410.19012,
title = {Privacy-Computation trade-offs in Private Repetition and Metaselection},
author = {Kunal Talwar},
journal= {arXiv preprint arXiv:2410.19012},
year = {2024}
}