两篇新研究论文探讨了机器学习中差分隐私的高维渐近线。第一篇论文侧重于私有迁移学习，提出了一种加权岭估计器，该估计器仅使用汇总统计数据来决定在不直接访问的情况下外部数据集何时有用，同时确保隐私保证。第二篇论文分析了差分私有主成分分析（PCA），通过结合假设检验公式和连续性论证，在高维极限下对其效用和隐私损失进行了精确的渐近表征。 AI
影响 这些论文在理论上推进了高维环境中保护隐私的机器学习的理解，有可能实现更强大和安全的数据分析技术。
排序理由 两篇在arXiv上发表的学术论文，详细介绍了差分私有机器学习技术的理论进展。
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- differentially private Principal Component Analysis (PCA)
- Gotit.pub
- High-Dimensional Asymptotics and Dataset Selection for Private Transfer Learning
- High-Dimensional Asymptotics of Differentially Private PCA
- $ ho$-zero-concentrated differential privacy
- Hugging Face
- Le Cam
- private transfer learning
- Roth
- ScienceCast
- weighted ridge estimator
- Youngjoo Yun
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
