研究人员开发了用于非凸设置下的差分隐私分布鲁棒优化(DP-DRO)的新方法。提出的DP Double-Spider算法解决了具有一般 $\psi$-散度(divergences)的DRO问题,实现了 $\mathcal{O}(\frac{1}{\sqrt{n}}+ (\frac{\sqrt{d \log (1/\delta)}}{n \varepsilon})^{2/3})$ 的效用界限。对于KL散度,DP Recursive-Spider方法将其改进至 $\mathcal{O}((\frac{\sqrt{d \log(1/\delta)}}{n\varepsilon})^{2/3})$,与非凸DP-ERM的最新结果相匹配。实验结果表明,这些方法在DP极小极大优化方面优于现有方法。 AI
影响 增强了在面临分布变化和敏感数据的机器学习模型的隐私保证。
排序理由 详细介绍新优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →