PulseAugur
中
实时 11:41:26
English(EN) Near-Optimal Private Linear Regression via Iterative Hessian Mixing

新算法提高了差分私有线性回归的准确性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为迭代 Hessian 混合 (IHM) 的新算法，用于差分私有普通最小二乘法 (DP-OLS)。该方法建立在现有的高斯草图技术之上，与自适应充分统计量扰动 (AdaSSP) 等先前方法相比，提供了改进的准确性保证。在各种数据集的实证评估中，IHM 表现出卓越的性能，优于现有基线。 AI

影响 这项研究推进了机器学习中的隐私保护技术，有可能为敏感数据集提供更安全的数据分析。

排序理由 该集群包含一篇详细介绍特定机器学习任务新算法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Omri Lev, Moshe Shenfeld, Vishwak Srinivasan, Katrina Ligett, Ashia C. Wilson ·

    通过迭代 Hessian 混合实现近乎最优的私有线性回归

    arXiv:2601.07545v2 Announce Type: replace-cross Abstract: We study differentially private ordinary least squares (DP-OLS) with bounded data $(X,Y)$ via sketching-based mechanisms. While Gaussian sketching approaches have been explored for DP-OLS \citep{sheffet2017differentially},…

相关话题