合成数据生成器：序列与隐私

我们研究了在无界大小的统计查询类上进行隐私合成数据生成的样本复杂度，并表明任何可被隐私且恰当地PAC学习的类都允许（可能非高效地）存在一个隐私合成数据生成器。先前关于合成数据生成器的工作集中在查询类 $\mathcal{D}$ 为有限的情况，并获得了与大小 $|\mathcal{D}|$ 呈对数比例的样本复杂度界限。在这里，我们构建了一个样本复杂度与域大小无关的隐私合成数据生成器，并用 $\mathcal{D}$ 是可被隐私PAC学习的假设（一个形式上更弱的任务，因此我们获得了两个任务之间的等价性）替代了有限性假设。