English(EN) The Fast Mixing Mechanism for Differential Privacy

新研究推动机器学习和数据分析的差分隐私发展

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-01 04:00

两篇新研究论文探讨了机器学习和数据分析差分隐私的进展。第一篇论文介绍了一种使用快速变换的新型草图机制，以提高差分隐私线性回归的运行时间，实现了最先进的隐私保证。第二篇论文表明，通过在局部噪声中引入相关性，可以在局部差分隐私模型中实现最优成本的求和估计，与集中式设置相匹配。 AI

影响这些论文为隐私保护数据分析提供了新的理论框架，有可能实现更强大、更高效的机器学习应用。

排序理由两篇在arXiv上发表的学术论文，详细介绍了差分隐私的新方法。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Omri Lev, Moshe Shenfeld, Vishwak Srinivasan, Katrina Ligett, Ashia C. Wilson · 2026-06-01 04:00

差分隐私的快速混合机制

arXiv:2605.30600v1 Announce Type: new Abstract: Randomized sketching is a central tool for compressing large-scale optimization problems while preserving accuracy. In particular, sketches that are based on structured matrices, such as the Hadamard matrix, can be applied efficient…
arXiv cs.LG TIER_1 English(EN) · Madhura Pathegama, Srikanth Avasarala, Viveck R. Cadambe, Juba Ziani · 2026-06-01 04:00

具有相关噪声的局部差分隐私实现了中心差分隐私最优成本

arXiv:2605.30476v1 Announce Type: cross Abstract: We study privately estimating the sum of $n$ user-held values in the presence of an honest-but-curious server. This motivates requiring privacy not only at data release but also throughout server-side computation. We therefore ado…