研究人员开发了一种新方法，以提高差分隐私线性回归的准确性和鲁棒性。该方法通过使用公共二阶矩矩阵转换私有数据来利用来自公共数据的信息。结果表明，与标准方法相比，转换后的估计器在准确性和鲁棒性方面有所提高，这通过理论误差界限以及在合成和真实数据集上的实验得到了证明。 AI
影响 这项研究可能导致更准确、更鲁棒的隐私保护机器学习模型，尤其是在可以利用公共数据的场景中。
排序理由 该集群包含一篇详细介绍差分隐私线性回归新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Differentially Private Linear Regression With Linked Data
- Ordinary Least Squares Estimator
- Sufficient Statistics Perturbation
- Zilong Cao
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
