鲁棒洗牌模型下无分布奇偶学习的样本复杂度
机器学习
2021-03-30 v1 密码学与安全
摘要
我们给出了在差分隐私的洗牌模型下可实现情形中无分布奇偶学习的样本复杂度下界。具体而言，我们证明学习 d 位奇偶函数的样本复杂度为 Ω(2^{d/2})。我们的结果扩展了 Cheu 和 Ullman 近期关于洗牌模型下奇偶函数私有不可知学习的样本复杂度类似下界。我们还勾勒了一个简单的洗牌模型协议，表明我们的结果在 poly(d) 因子范围内是紧的。
引用
@article{arxiv.2103.15690,
title = {The Sample Complexity of Distribution-Free Parity Learning in the Robust Shuffle Model},
author = {Kobbi Nissim and Chao Yan},
journal= {arXiv preprint arXiv:2103.15690},
year = {2021}
}