一篇新发表在arXiv上的研究论文探讨了在协方差矩阵未知的情况下，差分隐私高斯均值估计的局限性。研究建立了下界，表明隐私估计器无法获得与已知协方差时相同的保证。具体而言，最优误差可能显著更大，取决于样本量相对于有效维度的比例，误差会增大 $\sqrt{d/n}$ 或 $\sqrt{d}/n^{3/2}$ 倍。这些发现表明，在协方差未知的设置中，差分隐私可能需要维度相关的误差或样本复杂度。 AI
影响 强调了保护隐私的机器学习算法的理论约束，可能影响安全人工智能开发的未来研究。
排序理由 发表在arXiv上的研究论文，详细介绍了保护隐私算法的理论极限。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- covariance matrix
- cs.LG
- differential privacy
- Euclidean error
- Gaussian mean estimation
- Hugging Face
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
