基于差分隐私相关性的特征选择
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对高维数据集中重要特征识别的难题，指出传统两阶段选择技术在稀疏情况下不稳定，导致其在实际数据集上的表现不佳。通过引入基于相关性的排序统计方法进行特征选择并进行隐私保护，我们的方法在多个数据集上显著优于现有基准，为私密特征选择提供了新的解决方案。
本文首次探索了在公共特征下的局部差分隐私（LDP）学习，提出了半特征LDP概念，并证明了其在非参数回归中的收敛速度明显降低。介绍了HistOfTree估计器，能够利用公共和私有特征信息，在理论和实证中表现出优越性能。还讨论了用户手动选择保护特征的情况，并提出了相应的估计器和参数调整策略，得到了类似的理论和实证结果。
