BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
- 首次探索公共特征下的局部差分隐私（LDP）学习。
- 提出半特征LDP概念，证明其在非参数回归中的收敛速度明显降低。
- 介绍HistOfTree估计器，能够利用公共和私有特征信息。
- HistOfTree在合成数据和真实数据中表现出优越性能。
- 讨论用户手动选择保护特征的情况，并提出相应的估计器和参数调整策略。
➡️
