分解机制在本地与中心差分隐私中的威力
数据结构与算法
2019-11-20 v1 密码学与安全
机器学习
摘要
我们给出了在差分隐私的本地和中心模型中回答线性查询（统计查询）的样本复杂度的新刻画：*在非交互本地模型中，我们给出了样本复杂度的首个近似刻画。非正式地，我们的界在查询数量和期望精度上紧到多对数因子以内。我们的刻画扩展到本地模型中的不可知学习。*在中心模型中，我们给出了高精度的样本复杂度刻画，类似于 Nikolov、Talwar 和 Zhang (STOC 2013) 的刻画，但在定量上更紧且证明显著更简单。我们的下界同样适用于经验估计和总体估计问题。在这两种情况下，我们的刻画表明一种特定的分解机制是近似最优的，且最优样本复杂度由与查询相关联的矩阵的公认分解范数从上方和下方界定。
引用
@article{arxiv.1911.08339,
title = {The Power of Factorization Mechanisms in Local and Central Differential Privacy},
author = {Alexander Edmonds and Aleksandar Nikolov and Jonathan Ullman},
journal= {arXiv preprint arXiv:1911.08339},
year = {2019}
}