通过自由午餐结果扩展的精细化差分隐私线性回归
信息论
2026-04-15 v1 机器学习
math.IT
摘要
随着数据隐私法规的收紧以及统计模型在敏感人类数据上的部署增多，隐私保留的线性回归已成为关键必要条件。对于 add-remove DP 模型，Kulesza 等人(2024)和Fitzsimons 等人(2024)独立表明，数据集大小这一重要统计量可通过对有界变量的单形转换和对转换后变量进行私有求和查询来“免费”地进行私有估计。在本文中，我们通过精心设计的多维单形转换扩展了这一免费午餐结果，适用于区间 [0,1] 内的变量和函数。我们展示，这些转换可用于细化基于普通最小二乘法的私有简单线性回归所需充分统计量的估计。我们提供了分析结果和数值结果，以Demonstrate我们方法的优越性。我们提议的转换具有广泛适用性，可轻易适用于差分隐私多项式回归。
引用
@article{arxiv.2604.11820,
title = {Refined Differentially Private Linear Regression via Extension of a Free Lunch Result},
author = {Sasmita Harini S and Anshoo Tandon},
journal= {arXiv preprint arXiv:2604.11820},
year = {2026}
}
备注
Accepted at the SeQureDB Workshop at ACM SIGMOD 2026 and TPDP Workshop 2026