Apple Machine Learning Research
·
通过懒惰算法实现私密在线学习
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
我们研究了私密在线学习问题，提出了一种新方法，将懒惰在线学习算法转化为私密算法。该方法应用于差分隐私的在线预测和凸优化，显著改善了高隐私情况下的后悔界限，证明了这些速率对低切换私密算法是最优的。
🎯
关键要点
- 研究了私密在线学习问题，特别是专家在线预测（OPE）和在线凸优化（OCO）。
- 提出了一种新方法，将懒惰在线学习算法转化为私密算法。
- 该方法应用于差分隐私的OPE和OCO，使用现有的懒惰算法。
- 最终算法在高隐私情况下显著改善了后悔界限，具体为DP-OPE和DP-OCO的后悔界限。
- 为DP-OPE提供了下界，证明这些速率对于低切换私密算法是最优的。
➡️
