English(EN) Differentially Private Nonparametric Modal Learning with Applications to Regression and Clustering

新方法为回归和聚类提供差分隐私模态学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-03 04:00

研究人员开发了DP-GRAMS，一种新颖的差分隐私非参数模态学习方法，解决了严格隐私约束下密度模式估计的挑战。所提出的技术利用了受均值漂移启发的、具有高阶核和噪声梯度上升的方法来恢复多元分布的模式。扩展包括用于私有模态回归的DP-PMS和用于聚类的DP-GRAMS-C，实验结果表明具有有竞争力的隐私-效用权衡。 AI

影响引入了新的隐私保护数据分析技术，可能支持更安全的机器学习应用。

排序理由这是一篇研究论文，详细介绍了一种新的差分隐私非参数模态学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Arkajyoti Bhattacharjee, Arnab Auddy · 2026-08-03 04:00

差分隐私非参数模态学习及其在回归和聚类中的应用

arXiv:2607.29675v1 Announce Type: cross Abstract: Density modes provide a localized and interpretable summary of multimodal distributions, but their estimation under rigorous differential privacy constraints remains largely unexplored. We study differentially private recovery of …

报道来源 [1]

差分隐私非参数模态学习及其在回归和聚类中的应用

相关话题