研究人员开发了PACE-GGM，一种用于差分私有协方差估计的新型数据自适应方法。该方法将隐私预算策略性地分配给经验协方差矩阵中最具信息量的条目，而不是统一扰动所有条目。该方法包括选择近似不佳的条目，使用高斯机制对其进行测量，并使用最大熵目标重建完整的协方差矩阵，从而形成高斯图模型结构。实验表明，与标准高斯机制和其他基线相比，PACE-GGM在估计误差方面有所改善，尤其是在高维设置和中等隐私约束下。 AI
影响 这项研究可能有助于在机器学习中对复杂数据集进行更准确且注重隐私的分析。
排序理由 该集群包含一篇详细介绍新的私有协方差估计方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.24295v1 Announce Type: new Abstract: We propose PACE-GGM, a data-adaptive differentially private method for covariance estimation that concentrates its privacy budget on the most informative entries of the empirical covariance matrix, rather than perturbing all entries…
We propose PACE-GGM, a data-adaptive differentially private method for covariance estimation that concentrates its privacy budget on the most informative entries of the empirical covariance matrix, rather than perturbing all entries. This applies in the natural setting where the …