gamma distribution

新的隐私机制加速了机器学习中的密度估计

研究人员开发了一种在宽松局部差分隐私下进行密度估计的新方法，利用对称伽马分布进行噪声添加。与传统的 $\alpha$-LDP 方法相比，该方法实现了更快的 Sobolev 平滑函数估计速率，使其更接近非私有 minimax 速率。该技术已在神经网络估计器中实现，该估计器在优化过程中避免添加额外噪声，在数值结果中显示出比 Laplace 和 private-SGD 机制显著的改进。