新框架使用 JLT 进行差分隐私变量选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一个用于高维变量选择的新框架，该框架可维护差分隐私。该方法使用 Johnson-Lindenstrauss Transform (JLT) 来私有化数据矩阵，在遵守 $(\epsilon,\delta)$-差分隐私约束的同时保留协变量关系。该方法在理论上保证了对错误发现率 (FDR) 的控制，并分析了隐私和统计功效之间的权衡，表明在严格的隐私预算下，JLT 在保持功效方面优于传统的噪声注入方法。 AI

影响这项研究可能有助于在机器学习环境中进行更私密的数据分析，从而提高处理敏感信息的 AI 工具的可信度和采用率。

排序理由学术论文，详细介绍了差分隐私变量选择的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了差分隐私变量选择的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yuxuan Tao, Adel Javanmard · 2026-09-10 04:00

基于 Johnson-Lindenstrauss 变换的差分隐私 Model-X 仿制品

arXiv:2508.04800v2 Announce Type: replace-cross Abstract: We introduce a novel privatization framework for high-dimensional controlled variable selection. Our framework enables rigorous False Discovery Rate (FDR) control under differential privacy constraints. While the Model-X k…

本文如何被排名

报道来源 [1]

基于 Johnson-Lindenstrauss 变换的差分隐私 Model-X 仿制品

相关实体

相关话题