Apple Machine Learning Research
·
Wasserstein距离下的实例最优私密密度估计
💡
原文英文，约300词，阅读约需1分钟。
📝
内容提要
本文研究了Wasserstein距离下的差分隐私密度估计问题，设计了实例最优算法，分析了在R和R²上的估计率，并证明这些率是均匀可达的。结果扩展到任意度量空间，实现了离散分布的实例最优私有学习。
🎯
关键要点
- 本文研究了Wasserstein距离下的差分隐私密度估计问题。
- 设计了实例最优算法，能够适应简单实例。
- 在R上的分布中，算法的实例最优性是与给定分布的算法竞争。
- 在R²上的分布中，实例最优性与密度的常数因子乘法近似算法竞争。
- 在这两种情况下，实例最优估计率是均匀可达的。
- 该方法可以扩展到任意度量空间，通过分层分离树实现。
- 结果还实现了离散分布的实例最优私有学习。
🏷️
标签
➡️
