BriefGPT - AI 论文速递
·
在 Shuffle 模型中的私有向量均值估计：令人满意的速率需要大量信息
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本文研究了隐私洗牌模型下的私有向量均值估计问题，提出了一种新的多消息协议，实现最优误差。同时，设计了一个单消息协议，实现均方误差。研究还证明了协议的最优性和对恶意用户的鲁棒性。
🎯
关键要点
- 研究隐私洗牌模型下的私有向量均值估计问题。
- 提出了一种新的多消息协议，实现最优误差，每个用户使用 Ο(nε²,d) 个消息。
- 证明了实现最优误差的任何（无偏）协议需要每个用户发送 Ω(nε²/dlog (n)) 个消息，证明了消息复杂度的最优性。
- 设计了一个单消息协议，实现均方误差 Ο(dn^(d/(d+2))/ε^(4/(d+2)))。
- 证明了任何单消息协议必须产生均方误差 Ω(dn^(d/(d+2)))，证明了协议在 ε=Θ(1) 的标准设置下是最优的。
- 研究了对恶意用户的鲁棒性，显示恶意用户可以以单个洗牌者产生大的附加误差。
➡️
