本研究提出了一种注入相关噪声的方法，以解决差分隐私下数据价值估计的有效性问题。实验证明该方法在多项机器学习任务中表现优越，适用于数据集评估和联邦学习。
本研究提出了一种注入相关噪声的方法。
该方法解决了差分隐私下数据价值估计的有效性问题。
通过注入相关噪声，消除了数据价值估计中不确定性随预算线性扩展的问题。
实验证明该方法在多项机器学习任务中表现优越。
该方法适用于数据集评估和联邦学习等应用场景。
完成下面两步后，将自动完成登录并继续当前操作。
