研究人员开发了一种新的差分隐私主成分分析(PCA)算法,该算法对低相干性矩阵提供了改进的性能。该方法适应相干性参数,提供了超越最坏情况的保证。另一个最近的算法kd-ppca也实现了亚高斯数据的样本复杂度并适应隐私噪声,但对目标维度k的依赖性不是最优的。新提出的算法旨在实现d和k的最优样本复杂度,消除了之前对特征值间隙的指数依赖性,并改进了谱参数依赖性。 AI
影响 差分隐私PCA的这些进展可能有助于在机器学习应用中对敏感数据集进行更强大、更注重隐私的分析。
排序理由 该集群包含两篇详细介绍差分隐私PCA新算法的学术论文。
在 Hugging Face Daily Papers 阅读 →
- Differentially Private Stochastic PCA
- Dungler
- kd-ppca
- ACM Symposium on Theory of Computing
- Dwork-Talwar-Thakurta-Zhang
- Hardt-Roth
- Ta Duy Nguyen
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →