English(EN) PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution

新的PE-means算法将私有k-均值聚类改进了20%

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了PE-means，一种用于差分隐私k-均值聚类的新算法。该方法通过使用具有恒定敏感度的私有直方图，而不是直接对私有数据求和，从而改进了现有技术。与当前最先进的方法相比，PE-means的聚类损失平均减少了20%。 AI

影响引入了一种更有效的私有聚类方法，可能提高机器学习应用中的数据隐私性。

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研究论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Thomas Humphries, Zinan Lin, Sergey Yekhanin · 2026-06-02 04:00

PE-means: Improved Differentially Private $k$-means Clustering through Private Evolution

arXiv:2606.00342v1 Announce Type: new Abstract: We study the problem of differentially private (DP) $k$-means clustering in Euclidean space. Previous solutions rely on summing the private data directly, which induces a sensitivity proportional to the domain. We introduce PE-means…