研究人员探讨了量子本地差分隐私中的隐私和效用之间的权衡。该研究侧重于针对通用效用指标优化保真度和迹距离,发现退极化机制是最优的。对于学习可观测量期望值等特定任务,研究推导出了所需隐私化数据样本数量的下界,并证明与通用设置相比,效用可以得到显著改善。私有学习可观测量期望值所需的样本数量与隐私参数和精度容差的倒数成二次方关系。 AI
影响 这项研究可以为开发更私密、更高效的量子数据机器学习方法提供信息。
排序理由 关于差分隐私在量子计算中新颖应用的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →